通过多代理推理实现上下文感知图像匿名化

街道图像包含个人身份信息 (PII)，其中一些信息取决于上下文。现有的匿名方法要么过度处理图像，要么错过微妙的标识符，而基于 API 的解决方案则损害了数据主权。我们提出了一个代理框架 CAIAMAR（\underline{C}ontext-\underline{A}ware \underline{I}mage \underline{A}nonymization with \underline{M}ulti-\underline{A}gent \underline{R}easoning），用于上下文感知 PII 分段和基于扩散的匿名化，将高置信度案例的预定义处理与间接标识符的多代理推理相结合。三个专门代理通过计划-执行-检查-行动 (PDCA) 循环中的循环发言者选择进行协调，使大型视觉语言模型能够根据空间上下文（私有财产与公共财产）而不是严格的类别规则对 PII 进行分类。这些代理实现了空间过滤从粗到细的检测，其中侦察和缩放策略识别候选者，开放词汇分割处理局部作物，并且基于 $IoU$ 的重复数据删除（$30\%$ 阈值）防止冗余处理。具有外观去相关功能的模态特定扩散指导可显着降低重新识别 (Re-ID) 风险。在 CUHK03-NP 上，我们的方法将人员重新识别风险降低了 $73\%$（$R1$：$16.9\%$ vs. $62.4\%$ 基线）。对于 CityScapes 上的图像质量保留，我们实现了 KID：$0.001$，FID：$9.1$，显着优于现有的匿名化。代理工作流程跨对象类别检测非直接 PII 实例，并保留下游语义分割。该框架完全采用开源模型在本地运行，生成人类可解释的审计跟踪，支持欧盟的 GDPR 透明度要求，同时标记失败的案例以供人工审核。