Face Swapping - Definition
Face Swapping ist eine Technik zur Bild- oder Videosynthese, bei der das sichtbare Gesicht einer Person in einem Ausgangsbild oder Videoframe durch ein anderes Gesicht ersetzt wird. Der Ersatz kann von einer realen Person, einem lizenzierten Referenzbild oder einer synthetisch erzeugten Identität stammen. In Datenschutzprozessen kann Face Swapping eine Alternative dazu sein, Gesichter durch Weichzeichnung oder Verpixelung unkenntlich zu machen, wenn die ursprüngliche Person verborgen werden soll, während ein gesichtsähnliches Erscheinungsbild, die Kopfhaltung, der Gesichtsausdruck und die Bildkomposition erhalten bleiben.
Ein Gesichtsaustausch ist nicht automatisch eine Anonymisierung. Er verringert das Risiko einer Identifizierung nur dann, wenn das resultierende Bild anhand des ersetzten Gesichts oder anderer sichtbarer Informationen nicht mehr vernünftigerweise der ursprünglichen Person zugeordnet werden kann. Ein Ersatz auf Basis einer anderen realen Person kann neue Risiken hinsichtlich Datenschutz, Einwilligung oder Identitätsmissbrauch schaffen. Ein synthetischer Ersatz eignet sich in der Regel besser zur Anonymisierung, kann jedoch weiterhin identifizierende Merkmale wie Altersgruppe, Frisur, Kleidung, Körperform, Ort, Stimme oder einen charakteristischen Kontext bewahren.
Wie Face Swapping bei der Bild- und Videoanonymisierung funktioniert
Modernes Face Swapping nutzt in der Regel Machine-Learning-Modelle, die darauf trainiert sind, Gesichtsmerkmale zu lokalisieren und ein Ersatzgesicht zu erzeugen. Der Prozess beginnt mit der Gesichtsdetektion. Anschließend werden Gesichtsreferenzpunkte, Pose und Form des Zielgesichts geschätzt. Ein Modell erzeugt oder transformiert das Ersatzgesicht und fügt es in den ursprünglichen Frame ein.
Ein typischer Verarbeitungsablauf umfasst die folgenden Schritte:
- Gesichtsdetektion: Ermittlung des Gesichtsbereichs in jedem Bild oder Videoframe.
- Gesichtsausrichtung: Normalisierung des Gesichts anhand von Referenzpunkten wie Augen, Nase und Mund.
- Identitätsersatz: Erzeugung eines synthetischen Gesichts oder Übertragung einer Ausgangsidentität auf das Zielgesicht.
- Übertragung von Pose und Ausdruck: Anpassung des Ersatzes an Kopfdrehung, Beleuchtung und Gesichtsausdruck.
- Komposition: Einfügen des erzeugten Gesichts in das Zielbild mithilfe von Masken, Farbkorrektur und Kantenbearbeitung.
- Videotracking: Zuordnung desselben Gesichts über aufeinanderfolgende Frames hinweg, um Identitätswechsel und visuelles Flackern zu reduzieren.
- Qualitätsprüfung: Kontrolle schwieriger Frames mit Verdeckungen, Bewegungsunschärfe, Profilansichten oder wechselnder Beleuchtung.
Face Swapping im Vergleich zum Unkenntlichmachen von Gesichtern
Das Unkenntlichmachen von Gesichtern durch Weichzeichnung oder Verpixelung und Face Swapping unterscheiden sich hinsichtlich Datenschutz und operativer Umsetzung. Weichzeichnung oder Verpixelung entfernt sichtbare Gesichtsdetails oder reduziert deren Aussagekraft. Face Swapping ersetzt diese Details durch neu erzeugte oder substituierte Bildinhalte. Welche Methode geeignet ist, hängt vom vorgesehenen Verwendungszweck des Materials und dem erforderlichen Grad an visueller Natürlichkeit ab.
Merkmal | Gesichter unkenntlich machen | Face Swapping
|
|---|---|---|
Primäre Methode | Verdeckt Pixel im erkannten Gesichtsbereich | Ersetzt das sichtbare Gesicht durch eine andere Darstellung |
Visuelles Erscheinungsbild | Zeigt deutlich, dass Inhalte geschwärzt oder unkenntlich gemacht wurden | Kann ein natürlich wirkendes Gesicht und einen Gesichtsausdruck erhalten |
Identitätsrisiko | Hängt von der Stärke der Weichzeichnung oder Verpixelung, der Gesichtsgröße und dem verbleibenden Kontext ab | Hängt davon ab, ob die ursprüngliche Identität und weitere Merkmale weiterhin ableitbar sind |
Verarbeitungskomplexität | In der Regel geringer | Höher, da Erzeugung, Ausrichtung und zeitliche Konsistenz erforderlich sind |
Wesentlicher Fehlermodus | Unzureichende Abdeckung oder Stärke der Weichzeichnung beziehungsweise Verpixelung | Offenlegung der Identität, instabile Videoausgabe oder Erzeugung eines irreführenden synthetischen Bildes |
Wichtige technische Parameter für Face Swapping
Datenschutzteams sollten Face Swapping als messbare Verarbeitungsmethode bewerten und nicht nur als visuellen Effekt. Die Qualität der Gesichtsdetektion bleibt entscheidend, da ein nicht erkanntes Gesicht nicht ersetzt werden kann. Bei Videos ist zudem zeitliche Konsistenz über mehrere Frames hinweg erforderlich.
Nützliche Parameter und Kennzahlen sind:
- Erkennungsrate bei der Gesichtsdetektion: der Anteil sichtbarer Gesichter, die vom System erkannt werden. Eine niedrige Erkennungsrate führt zu unmittelbaren Datenschutzlücken.
- Falsch-Positiv-Rate: der Anteil von Bereichen ohne Gesicht, die fälschlicherweise als Gesichter verarbeitet werden.
- Intersection over Union (IoU): die Überlappung zwischen dem vorhergesagten Gesichtsbereich und einem annotierten Referenzbereich. Sie kann helfen, die Platzierung von Masken zu bewerten.
- Identitätsähnlichkeit: der Vergleich von Einbettungsvektoren des ursprünglichen Gesichts und des Ausgabegesichts. Diese Kennzahl sollte vorsichtig bewertet werden, da die Ergebnisse vom verwendeten Modell zur Gesichtsanalyse und vom gewählten Schwellenwert abhängen.
- Zeitliche Konsistenz: die Stabilität der Ersatzidentität, Farbe, Geometrie und Maskengrenzen über benachbarte Frames hinweg.
- Verarbeitungslatenz und Durchsatz: die Zeit pro Bild, Frame oder Videosegment. Diese Werte beeinflussen die Verarbeitungskapazität, belegen jedoch keine Datenschutzqualität.
Ein hilfreicher Grundsatz bei der Prüfung lautet: Die Qualität der Anonymisierung ist nur so gut wie der schwächste Frame. Ein Video kann eine Person offenlegen, wenn der Gesichtsaustausch auch nur in wenigen Frames fehlschlägt.
Vorteile und Grenzen von Face Swapping
Face Swapping kann nützliche visuelle Informationen erhalten, wenn das Unkenntlichmachen von Gesichtern durch Weichzeichnung oder Verpixelung den Wert von Schulungs-, Demonstrations-, Unterhaltungs- oder Benutzeroberflächenmaterial verringern würde. Die Methode kann ungefähre Gesichtsausdrücke, Blickrichtungen und Interaktionsdynamiken bewahren, während das Ausgangsgesicht verborgen wird.
Sie hat jedoch wesentliche Einschränkungen:
- Ein Gesichtsaustausch kann nicht auf das Gesicht bezogene Informationen bewahren, durch die eine Person identifiziert werden kann, etwa Stimme, Kleidung, Ort, Tätowierungen oder den Kontext eines Ereignisses.
- Ein Ersatzgesicht kann einer realen Person ähneln, insbesondere wenn eine reale Ausgangsidentität verwendet wird.
- Seitenprofile, Hände vor dem Gesicht, Brillen, Masken, schwaches Licht und Bewegungsunschärfe können sichtbare Artefakte oder einen unvollständigen Ersatz verursachen.
- Die Videoausgabe kann flackern, wenn das Tracking fehlschlägt oder das Modell die synthetische Identität zwischen den Frames verändert.
- Synthetische Ausgaben können falsch darstellen, wie eine Person aussah oder was sie offenbar getan hat. Organisationen sollten festlegen, ob bearbeitetes Material gekennzeichnet, getrennt aufbewahrt oder auf einen bestimmten Zweck beschränkt werden muss.
Face Swapping in Workflows mit Gallio PRO
Face Swapping unterscheidet sich von den automatisierten Anonymisierungsfunktionen von Gallio PRO. Gallio PRO nutzt Gesichtsdetektion, um die automatische Weichzeichnung oder Verpixelung von Gesichtern zu unterstützen, und kann Kfz-Kennzeichen automatisch unkenntlich machen. Gallio PRO führt keine Echtzeitanonymisierung oder Anonymisierung von Videostreams durch.
Enthält das Material Informationen außerhalb dieser automatischen Kategorien, etwa Tätowierungen, Unternehmenslogos, Namensschilder, Dokumente oder Monitorinhalte, müssen diese Elemente manuell geprüft und bearbeitet werden. Face Swapping sollte daher nicht als vollständiger Ersatz für einen dokumentierten Prüfprozess für Bilder und Videoaufnahmen betrachtet werden.
Standards und Referenzen
Es gibt keinen einzelnen technischen Standard, der Face Swapping als Anonymisierungsmethode definiert. Die folgenden Quellen sind hilfreich, um die Methode, ihre Sicherheitsauswirkungen und verbleibende Identitätsrisiken zu bewerten.
- ISO/IEC 20889:2018, Informationstechnik - Sicherheitsverfahren - Terminologie zur datenschutzfördernden De-Identifizierung von Daten und Klassifizierung von Verfahren. Dieser Standard unterscheidet Konzepte der De-Identifizierung und unterstützt eine präzise Terminologie.
- National Institute of Standards and Technology (NIST), AI Risk Management Framework 1.0 (2023). Es stellt einen Rahmen für das Risikomanagement von Systemen der künstlichen Intelligenz bereit, einschließlich Aspekten wie Validität, Zuverlässigkeit, Datenschutz und Transparenz.
- FaceForensics++, Rössler et al., International Conference on Computer Vision (ICCV), 2019. Diese Forschungsarbeit beschreibt einen Benchmark für manipulierte Gesichtsbilder, einschließlich Verfahren zum Face Swapping.
- The Creation and Detection of Deepfakes: A Survey, Mirsky und Lee, 2021. Diese Übersicht beschreibt Methoden zur Gesichtsmanipulation und damit verbundene Herausforderungen bei der Erkennung.