在数字化转型浪潮下，隐私保护已成为全球性挑战。随着AI摄像头、无人机等视觉采集设备的普及，海量图像数据在提升生产效率的同时，也带来了敏感信息泄露的风险。

然而传统模糊化处理技术往往陷入两难境地——过度处理会破坏数据价值，而处理不足又难以满足日益严格的隐私法规要求。如何在保护个人隐私的同时释放数据潜力，成为横跨各行业的核心难题。

一、客户需求

日本建筑业公司Taisei Corporation（大成建设）最初涉足图像识别人工智能领域时，采用了一款安装有模糊处理应用程序接口（API）的摄像头来保护个人数据。

然而，这种方法因API本身的限制面临诸多挑战。比如，它会导致过度模糊，常常将整个人的上半身都模糊掉，这对训练人工智能系统而言会产生负面影响。此外，这种方法无法捕捉到性别和年龄等关键属性，因为这些信息在模糊处理过程中会丢失。
因此，Taisei需要的是一种既能有效?；じ鋈艘剑帜鼙Ａ敉枷裰泄丶畔?/strong>（如性别、年龄等属性），以满足人工智能训练需求的解决方案，即需要满足三重目标：

1. 法律合规性：符合日本《个人信息?；しā芳芭访薌DPR对个人信息的严格规定

2. 数据可用性：处理后的图像保留性别、年龄等基本属性

3. 技术扩展性：支持后续AI分析（如安全行为识别、自动化施工监测）的数据结构化需求

二、解决方案

对于Taisei在匿名化与可用性的需求，深度自然匿名化（DNAT）方案显然是一个很好的选择。该解决方案利用先进的深度学习技术， 可以有效地检测镜头中的人脸和车牌。一旦人脸和车牌得到检测，DNAT就会随机生成一个真实的覆盖层替代它们。

这种方法有效地隐藏了图像中个人信息，同时保留了原始数据中的关键特征，平衡了隐私保护和数据效用，很好地解决了Taisei目前所遇到的困境。

1、方案亮点

总结来说，深度自然匿名化（DNAT）是一种基于生成式人工智能的解决方案，可通过生成面部和车牌的合成覆盖层来?；ど矸菪畔ⅰ８梅桨妇哂幸韵铝恋悖?/p>

1. 智能检测与替换

- 基于深度学习算法精准检测视频流中的面部及车牌信息

- 采用生成式AI技术替换为不可追溯的合成特征，同时保留性别、情绪等关键属性，传统摄像头API模糊无法实现

2. 隐私优先处理

- 十分符合GDPR等合规要求，处理后的数据无法被逆向还原

- 相比传统模糊技术，在?；ひ降耐?strong style="font-weight: bold !important;">保持数据可用性

3. 高效边缘处理

- NVIDIA Orin AGX上可以实现稳定24FPS的720p实时匿名化处理

- 自动化处理大幅减少人工审核需求

三、应用成效

深度自然匿名化方案的采用，使Taisei在?；じ鋈诵畔⒌耐?，成功推动了人工智能的开发。

此外，由于深度自然匿名化解决方案符合全球数据隐私基准——《通用数据?；ぬ趵罚℅DPR），Taisei 正考虑深化合作，借助方案技术能力进一步适配全球个人信息?；す娣?，从而推动其在该领域的进一步发展。