Este trabajo implementa un pipeline de cinco etapas para el conjunto de datos Egy-DRiVeS que protege la privacidad del peatón mediante el intercambio de rostros mientras mantiene los atributos faciales esenciales requeridos para entrenar modelos de vehículos autónomos.
El estudio evalúa los modelos de intercambio de rostros Roop y Ghost-v2 para equilibrar el ocultamiento de identidad con la utilidad de los datos. El análisis demuestra que Roop supera a Ghost-v2 en varios aspectos, convirtiéndolo en el modelo seleccionado para el pipeline.
Este enfoque aborda el desafío de aplicar procedimientos de preservación de privacidad sin degradar la utilidad de las imágenes, lo cual obstaculiza la efectividad de los modelos de predicción de intención y trayectoria del peatón.