Ce travail met en œuvre un pipeline en cinq étapes pour le jeu de données Egy-DRiVeS qui protège la vie privée des piétons par échange de visages tout en conservant les attributs faciaux essentiels requis pour l'entraînement des modèles de véhicules autonomes.
L'étude évalue les modèles d'échange de visages Roop et Ghost-v2 afin d'équilibrer la dissimulation de l'identité avec l'utilisabilité des données. L'analyse démontre que Roop surpasse Ghost-v2 sous divers aspects, ce qui en fait le modèle sélectionné pour le pipeline.
Cette approche répond au défi de l'application de procédures de préservation de la vie privée sans dégrader l'utilisabilité des images, ce qui entrave l'efficacité des modèles de prédiction de l'intention et de la trajectoire des piétons.