摘要
近年来，机器学习中可识别信息引发的隐私问题日益受到关注。然而，以往的图像抠图方法均基于包含可识别信息的图像数据。为填补这一空白，本文提出P3M-10k，这是首个面向隐私保护人像抠图（Privacy-Preserving Portrait Matting, P3M）的大规模匿名化基准数据集。P3M-10k包含10,421张高分辨率人脸模糊的人像图像及其高质量的alpha抠图，能够系统地评估无需trimap与依赖trimap的各类抠图方法，并深入揭示在隐私保护训练（Privacy-Preserving Training, PPT）设定下模型泛化能力的相关规律。此外，我们提出一种统一的抠图模型——P3M-Net，该模型兼容CNN与Transformer两种骨干网络结构。为进一步缓解PPT设定下跨域性能差距的问题，我们设计了一种简单而有效的“复制粘贴”策略（P3M-CP），该策略从公开的名人图像中借用面部信息，引导网络在数据层面与特征层面重新学习人脸上下文。在P3M-10k及多个公开基准上的大量实验表明，P3M-Net在性能上优于当前最先进方法，且P3M-CP显著提升了模型的跨域泛化能力。这些结果充分彰显了P3M-10k在推动未来研究与实际应用中的重要价值。