Unsafe2Safe：下游实用程序的可控图像匿名化

大规模图像数据集经常包含可识别或敏感内容，在训练可能记忆和泄露此类信息的模型时会增加隐私风险。我们推出了 Unsafe2Safe，这是一个完全自动化的管道，可以检测有隐私倾向的图像，并使用多模式引导扩散编辑仅重写其敏感区域。 Unsafe2Safe 分两个阶段运行。第 1 阶段使用视觉语言模型来 (i) 检查图像是否存在隐私风险，(ii) 生成配对的私有和公共图像描述，分别包含和省略敏感属性，以及 (iii) 提示 大语言模型 生成以公共图像描述为条件的结构化、身份中立的编辑指令。第二阶段采用指令驱动的扩散编辑器来应用这些双重文本提示，生成隐私安全的图像，保留全局结构和任务相关语义，同时中和私人内容。为了衡量匿名化质量，我们引入了涵盖质量、作弊、隐私和实用维度的统一评估套件。在 MS-COCO、Caltech101 和 MIT Indoor67 中，Unsafe2Safe 大幅降低了人脸相似性、文本相似性和人口统计可预测性，同时保持了与原始数据训练相当的下游模型准确性。我们自动生成的三元组（私人图像描述、公共图像描述、编辑指令）上的 微调 扩散编辑器进一步提高了隐私保护和语义保真度。 Unsafe2Safe 提供了一个可扩展的、原则性的解决方案，用于构建大型、隐私安全的数据集，而不牺牲视觉一致性或下游实用性。