Identity Preservation

La préservation de l’identité est la capacité d’un modèle à faire reconnaître un sujet précis comme le même individu dans ses différentes productions : le même visage dans une série de portraits générés, le même personnage entre la première et la dernière image d’une vidéo générée, ou le même identifiant de suivi pour un piéton qui passe derrière un autobus et réapparaît. Deux communautés emploient ce terme. En IA générative, il désigne les méthodes de personnalisation qui placent une personne ou un produit réel dans de nouvelles scènes sans changer son identité. En suivi multi-objets (MOT), il désigne le maintien d’un identifiant stable pour chaque objet malgré les occultations, les croisements et les changements de caméra. Dans les deux cas, on la mesure avec des embeddings d’identité, des vecteurs de caractéristiques proches pour un même individu et éloignés pour des individus différents.

Préservation de l’identité dans la génération d’images et de vidéos#

Un modèle de génération de texte en image sait à quoi « une femme » ou « un chien » ressemble, mais pas à quoi ressemble une femme ou un chien en particulier ; les méthodes de personnalisation lui apportent donc ces connaissances. Les méthodes d’ajustement fin les apprennent à partir de quelques photos. Le DreamBooth de Google (2022) ajuste l’ensemble du modèle de diffusion sur trois à cinq images d’un sujet associé à un token rare, avec une perte de préservation d’a priori propre à la classe qui permet au modèle de continuer à générer normalement d’autres chiens. Les adaptateurs LoRA rendent la même approche suffisamment peu coûteuse pour être entraînée pour chaque personne.

Les méthodes fondées sur un encodeur évitent l’entraînement pour chaque sujet. IP-Adapter de Tencent (2023) transmet les embeddings d’image au modèle de diffusion par une couche d’attention croisée distincte, et InstantID (janvier 2024) préserve un visage à partir d’une seule photo en combinant un embedding issu d’un réseau de reconnaissance faciale avec IdentityNet, un ControlNet conditionné par cinq repères faciaux. Un conditionnement d’identité plus fort rapproche la production de l’image de référence, mais en reprend aussi davantage la pose, l’expression et l’éclairage. Ces outils proposent donc un réglage d’intensité qui établit un compromis entre ressemblance et liberté de modification de la scène par l’invite.

Les visages générés sont évalués à l’aide de la similarité cosinus entre les embeddings ArcFace de la photo de référence et de la production. ArcFace, présenté par Jiankang Deng et ses collègues à CVPR 2019, entraîne les embeddings faciaux avec une marge angulaire afin que les identités se séparent nettement sur une hypersphère. La vidéo impose une seconde exigence : garder le sujet cohérent d’une image à l’autre. VBench la mesure en évaluant la cohérence du sujet par comparaison des caractéristiques DINO entre les images. En génération vidéo, un personnage dont le visage dérive en quelques secondes échoue à ce test, même si chaque image prise isolément paraît réaliste.

Préservation de l’identité dans le suivi#

Un système de suivi attribue des identifiants en associant les détections de chaque image aux pistes existantes. Le mouvement seul — un filtre de Kalman qui prédit l’emplacement de chaque boîte, puis une correspondance par intersection sur union (IoU) — fonctionne jusqu’à ce que deux personnes se croisent ou que l’une disparaisse derrière un obstacle. Le système échange alors leurs identifiants ou en crée un nouveau, une erreur appelée changement d’identité. Les caractéristiques d’apparence corrigent en grande partie ce problème. DeepSORT (2017), de Nicolai Wojke, Alex Bewley et Dietrich Paulus, a ajouté au système SORT fondé uniquement sur le mouvement des embeddings issus d’un réseau entraîné sur un jeu de données de réidentification de personnes, réduisant les changements d’identité de 45 %. La métrique IDF1, proposée par Ergys Ristani et ses collègues en 2016, évalue directement la préservation de l’identité en mesurant la part des détections associées à la bonne identité.

Le suivi avec Ultralytics YOLO utilise par défaut TrackTrack (Shim et ses collègues, CVPR 2025), qui conserve les pistes perdues pendant 30 images (track_buffer), afin qu’un objet de retour puisse récupérer son identifiant, et supprime les nouveaux identifiants en double avant leur création. Définir with_reid: True dans le fichier YAML du système de suivi ajoute la correspondance d’apparence, par défaut avec les propres caractéristiques du détecteur et, en option, avec un encodeur dédié comme le modèle YOLO26n-reid de 2,8 millions de paramètres. L’extrait suit des personnes dans une vidéo exemple avec et sans ReID, puis compte le nombre d’identifiants distincts attribués lors de chaque exécution :

from ultralytics import YOLO
from ultralytics.utils import ROOT, YAML

# Copy the default TrackTrack config and turn on appearance re-identification
cfg = YAML.load(ROOT / "cfg/trackers/tracktrack.yaml")
cfg.update(with_reid=True, model="yolo26n-reid.onnx")
YAML.save("tracktrack_reid.yaml", cfg)

video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"
for tracker in ["tracktrack.yaml", "tracktrack_reid.yaml"]:
    model = YOLO("yolo26n.pt")  # fresh model so each run starts with no tracks
    ids = set()
    for result in model.track(video, tracker=tracker, classes=[0], stream=True, verbose=False):
        if result.boxes.is_track:
            ids.update(result.boxes.id.int().tolist())
    print(f"{tracker}: {len(ids)} person IDs")

Dans ce court extrait, les deux exécutions attribuent 3 identifiants de personne ; la correspondance d’apparence ne change donc rien. Elle devient utile sur des séquences plus longues, où des personnes quittent le cadre puis y reviennent. Pour les mêmes personnes, un nombre inférieur d’identifiants distincts signifie moins de changements d’identité, ce dont dépendent les comptages en aval : un système de comptage de personnes qui attribue un nouvel identifiant à un client de retour compte ce client deux fois.

Termes associés#

• Reconnaissance faciale : identifie une personne en comparant son embedding facial à une galerie de personnes connues, au moyen du même type d’embedding que les générateurs qui préservent l’identité utilisent comme conditionnement.
• Protection des données : la rédaction et l’anonymisation suppriment délibérément l’identité ; c’est l’objectif opposé.
• Hypertrucages : les échanges de visages utilisent la génération préservant l’identité sans le consentement du sujet.