20.500.12556/RUL-170737 Deidentifikacija obraznih slik na podlagi globinskih podatkov Deidentification of facial images based on depth data V zaključni nalogi so predstavljene pogoste metode deidentifikacije, katerih namen je zaščita identitete. Cilj naloge je zasnova deidentifikacijskega postopka za deidentifikacijo identitete s preprocesiranjem slik in uporabo obstoječih konceptov anonimnosti, globinskih slik in latentnih difuzijskih modelov. V delu najprej naredimo pregled stanja in predstavimo nekaj podobnih pristopov deidentifikacije. Sledi predstavitev konceptov, uporabljenih pri naši implementaciji deidentifikacije, podatkovnih baz slik ter metod za evalvacijo rezultatov. Uspešnost deidentifikacije prikažemo s pomočjo mere AUC, pri čemer najboljši rezultat doseže vrednost 0, 75. Dodatno primerjamo ohranjenost drugih lastnosti, kot so izraz, spol in etnična pripadnost. Rezultate smo dodatno ocenili z uporabo mere EER, pri čemer naš model dosega konkurenčne vrednosti v primerjavi z obstoječimi pristopi, kot sta LDFA in FAMS. Na različnih podatkovnih bazah, kot so RaFD, CelebA-HQ in XM2VTS, je naš model dosegel EER med 19, 91% in 31, 28%, kar kaže na dobro ravnovesje med zaščito identitete in ohranjanjem uporabnih informacij. Ti rezultati potrjujejo, da naš pristop zmanjšuje prepoznavnost, hkrati pa ohranja kakovost deidentificiranih slik. In the final thesis, common deidentification methods are presented with the goal of concealing identity. The aim is to design a deidentification process through image preprocessing and the use of existing concepts of anonymity, depth images, and latent diffusion models. The paper first reviews the state of the art and presents several related approaches. It then introduces the concepts used in our implementation, the image datasets employed, and the evaluation methods. Using the AUC metric, where our best result reaches a value of 0.75, we demonstrate the success of deidentification. We also compare the preservation of other attributes, such as facial expression, gender, and ethnicity. Additionally, we evaluate results using the Equal Error Rate (EER), where our model achieves competitive values compared to established methods such as LDFA and FAMS. Across different datasets—including RaFD, CelebA-HQ, and XM2VTS—our model achieves EER scores ranging from 19.91% to 31.28%, demonstrating a strong balance between identity protection and image utility. These results confirm that our approach effectively reduces recognizability while preserving image quality. deidentifikacija latentni difuzijski modeli globinske slike računalniški vid slikovna biometrija deidentification latent diffusion models depth images computer vision image biometrics true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2025-07-14 08:00:12 2025-07-14 08:00:21 2025-07-25 06:43:38 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38216 243783427 Rom_Matevz_-_Deidentifikacija_obraznih_slik_na_podlagi_globinskih_podatkov.pdf Rom_Matevz_-_Deidentifikacija_obraznih_slik_na_podlagi_globinskih_podatkov.pdf 1 89FBEEC50173C72A6E467D751AD7BB39 27bd298c25b03dab33f6a3c32d2b2f795f3ce0e4077aac6fd4a6aa78f4a9e7e2 ead46bdf-6075-11f0-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=212891 Fakulteta za računalništvo in informatiko 0 0 0