イベントストリームにおける生成的匿名化

要旨: ニューロモーフィック視覚センサは低遅延かつ高ダイナミックレンジを提供しますが、公的空間での導入は重大なデータ保護上の懸念を引き起こします。近年のイベント・ツー・ビデオ（E2V）モデルは、疎なイベントストリームから高忠実度の輝度画像を再構成できますが、その過程で人の身元が意図せず露出してしまいます。マスキングやスクランブリングのような既存の秘匿化（オブスフケーション）手法は、時空間構造を破壊してしまい、下流の知覚タスクに対するデータ有用性を大きく低下させます。本論文では、我々の知る限り、ユーティリティとプライバシーのトレードオフを解決するための、イベントストリーム向けの最初の生成的秘匿化フレームワークを提案します。非同期イベントと標準的な空間生成モデルとのモダリティギャップを橋渡しすることで、提案パイプラインはイベントを中間の輝度表現へと投影し、事前学習済みモデルを用いて、実在しない現実的な身元を合成し、その特徴をニューロモーフィック領域へ再符号化します。実験の結果、我々の手法はE2V再構成からの身元回復を確実に防止しつつ、下流の視覚タスクに必要な構造データの整合性を維持できることを示します。最後に、厳密な評価を促進するために、精密なロボットの軌跡によって取得された、同期済みの実世界イベントとRGBの新しいデータセットを導入し、プライバシー保護型ニューロモーフィック視覚に関する今後の研究に対する堅牢なベンチマークを提供します。