在數字化轉型浪潮下，隱私保護已成為全球性挑戰。隨著AI攝像頭、無人機等視覺采集設備的普及，海量圖像數據在提升生產效率的同時，也帶來了敏感信息泄露的風險。

然而傳統模糊化處理技術往往陷入兩難境地——過度處理會破壞數據價值，而處理不足又難以滿足日益嚴格的隱私法規要求。如何在保護個人隱私的同時釋放數據潛力，成為橫跨各行業的核心難題。

一、客戶需求

日本建筑業公司Taisei Corporation（大成建設）最初涉足圖像識別人工智能領域時，采用了一款安裝有模糊處理應用程序接口（API）的攝像頭來保護個人數據。

然而，這種方法因API本身的限制面臨諸多挑戰。比如，它會導致過度模糊，常常將整個人的上半身都模糊掉，這對訓練人工智能系統而言會產生負面影響。此外，這種方法無法捕捉到性別和年齡等關鍵屬性，因為這些信息在模糊處理過程中會丟失。
因此，Taisei需要的是一種既能有效保護個人隱私，又能保留圖像中關鍵信息（如性別、年齡等屬性），以滿足人工智能訓練需求的解決方案，即需要滿足三重目標：

1. 法律合規性：符合日本《個人信息保護法》及歐盟GDPR對個人信息的嚴格規定

2. 數據可用性：處理后的圖像保留性別、年齡等基本屬性

3. 技術擴展性：支持后續AI分析（如安全行為識別、自動化施工監測）的數據結構化需求

二、解決方案

對于Taisei在匿名化與可用性的需求，深度自然匿名化（DNAT）方案顯然是一個很好的選擇。該解決方案利用*的深度學習技術， 可以有效地檢測鏡頭中的人臉和車牌。一旦人臉和車牌得到檢測，DNAT就會隨機生成一個真實的覆蓋層替代它們。

這種方法有效地隱藏了圖像中個人信息，同時保留了原始數據中的關鍵特征，平衡了隱私保護和數據效用，很好地解決了Taisei目前所遇到的困境。

1、方案亮點

總結來說，深度自然匿名化（DNAT）是一種基于生成式人工智能的解決方案，可通過生成面部和車牌的合成覆蓋層來保護身份信息。該方案具有以下亮點：

1. 智能檢測與替換

- 基于深度學習算法精準檢測視頻流中的面部及車牌信息

- 采用生成式AI技術替換為不可追溯的合成特征，同時保留性別、情緒等關鍵屬性，傳統攝像頭API模糊無法實現

2. 隱私優先處理

- 十分符合GDPR等合規要求，處理后的數據無法被逆向還原

- 相比傳統模糊技術，在保護隱私的同時保持數據可用性

3. 高效邊緣處理

- NVIDIA Orin AGX上可以實現穩定24FPS的720p實時匿名化處理

- 自動化處理大幅減少人工審核需求

三、應用成效

深度自然匿名化方案的采用，使Taisei在保護個人信息的同時，成功推動了人工智能的開發。

此外，由于深度自然匿名化解決方案符合全球數據隱私基準——《通用數據保護條例》（GDPR），Taisei 正考慮深化合作，借助方案技術能力進一步適配全球個人信息保護規范，從而推動其在該領域的進一步發展。