Egy-DRiVeS는 보행자 프라이버시와 데이터 활용성을 보존하기 위해 Roop 얼굴 교체를 사용함

이 연구는 자율주행차 모델 학습에 필요한 필수적인 얼굴 속성을 유지하면서 얼굴 교체 기술을 통해 보행자의 프라이버시를 보호하는 Egy-DRiVeS 데이터셋을 위한 5단계 파이프라인을 구현합니다.

연구에서는 신원 은폐와 데이터 활용성 사이의 균형을 맞추기 위해 Roop과 Ghost-v2 얼굴 교체 모델을 평가했습니다. 분석 결과, Roop이 여러 측면에서 Ghost-v2보다 우수함을 입증하여 파이프라인에 선택되었습니다.

이 접근법은 보행자 의도 및 궤적 예측 모델의 효과를 저해하는 이미지 활용성 저하 없이 프라이버시 보존 절차를 적용하는 과제를 해결합니다.