Identity Preservation

Trong artificial intelligence (AI) và machine learning (ML), bảo tồn danh tính (identity preservation) đề cập đến khả năng của một thuật toán trong việc duy trì các đặc điểm độc đáo, dễ nhận biết của một người, vật thể hoặc thực thể cụ thể qua các phép biến đổi, chuỗi tạo sinh hoặc chuỗi thời gian khác nhau. Cho dù là theo dõi một phương tiện đang di chuyển qua nhiều luồng camera hay tạo ra một avatar kỹ thuật số được cá nhân hóa từ một câu lệnh văn bản, việc bảo tồn danh tính đảm bảo rằng các tính năng cốt lõi định nghĩa thực thể cụ thể đó vẫn còn nguyên vẹn và nhất quán, ngăn chặn việc AI bị mất dấu hoặc làm biến dạng đối tượng.

Bảo tồn danh tính trong Generative AI#

Sự tiến bộ nhanh chóng của generative AI, đặc biệt là diffusion models và Generative Adversarial Networks (GANs), đã biến việc bảo tồn danh tính thành một lĩnh vực nghiên cứu trọng yếu. Khi người dùng yêu cầu AI đặt một người cụ thể vào một môi trường mới hoặc áp dụng một bộ lọc phong cách, model phải thao tác trên hình ảnh mà không làm thay đổi danh tính cơ bản của đối tượng.

Những bước đột phá gần đây trong tổng hợp văn bản thành hình ảnh (text-to-image synthesis), chẳng hạn như IP-Adapter và các framework huấn luyện nhất quán danh tính, đã cải thiện đáng kể cách các model giữ lại các đặc điểm khuôn mặt và tính toàn vẹn cấu trúc. Bằng cách tận dụng các toán học embeddings bắt nguồn từ các mạng nhận dạng khuôn mặt mạnh mẽ như ArcFace, các generative model này ánh xạ các đặc điểm danh tính riêng biệt vào một không gian ẩn (latent space). Điều này cho phép thực hiện các phép biến đổi phức tạp — chẳng hạn như virtual try-ons trong bán lẻ hoặc tiến trình độ tuổi động — đồng thời đảm bảo kết quả đầu ra được tạo ra vẫn liên kết không thể chối cãi với đối tượng gốc.

Bảo tồn danh tính trong thị giác máy tính#

Trong computer vision (CV), việc bảo tồn danh tính đóng vai trò nền tảng cho việc theo dõi và giám sát. Khi một đối tượng hoặc một người di chuyển qua một cảnh, bị che khuất (occlusion) hoặc chuyển đổi giữa các góc nhìn camera khác nhau, hệ thống phải gán và duy trì nhất quán một nhãn ID duy nhất.

Khái niệm này được tích hợp chặt chẽ với Object Re-identification (Re-ID) và Multi-Object Tracking (MOT). Trong khi việc theo dõi đối tượng cơ sở dựa vào việc dự đoán vị trí tương lai của đối tượng bằng cách sử dụng temporal continuity, việc bảo tồn danh tính đảm bảo rằng khi tính liên tục này bị phá vỡ tạm thời (ví dụ: một người đi bộ phía sau vật cản), kết quả phát hiện được thiết lập lại sẽ được khớp chính xác với danh tính ban đầu dựa hoàn toàn vào các đặc điểm thị giác. Để đạt được điều này, các model thường tính toán cosine similarity giữa các véc-tơ đặc trưng trong thời gian thực.

Điều quan trọng là phải phân biệt việc bảo tồn danh tính với Data Privacy. Quyền riêng tư dữ liệu cố tình che khuất hoặc biên tập lại danh tính — chẳng hạn như làm mờ khuôn mặt hoặc biển số xe — để bảo vệ thông tin cá nhân. Ngược lại, việc bảo tồn danh tính chủ động tìm cách duy trì và xác minh các tính năng riêng biệt này nhằm phục vụ cho tính nhất quán về mặt phân tích hoặc tạo sinh.

Các ứng dụng trong thực tế#

Việc bảo tồn danh tính mở ra các khả năng mạnh mẽ và hiệu quả trong nhiều ngành công nghiệp:

• Smart City Analytics and Security: Trong các triển khai đô thị quy mô lớn, việc bảo tồn danh tính phương tiện và người đi bộ trên các mạng lưới camera không chồng chéo cho phép phân tích lưu lượng giao thông chính xác, theo dõi chéo camera và phát hiện bất thường mà không đếm nhầm cùng một thực thể hai lần.
• Media and Entertainment: Các generative model được sử dụng rộng rãi trong sản xuất phim và phát triển game để tạo ra các bản sao kỹ thuật số nhất quán, cho phép bảo tồn hình ảnh của diễn viên một cách liền mạch trên các cảnh quay tổng hợp và điều kiện chiếu sáng khác nhau.

Triển khai bảo tồn danh tính trong theo dõi#

Các pipeline theo dõi đối tượng hiện đại quản lý việc bảo tồn danh tính thông qua các trình theo dõi tích hợp tận dụng cả các đặc điểm về không gian và ngoại hình trực quan. Ultralytics Platform đơn giản hóa việc triển khai các model như Ultralytics YOLO26, có thể được ghép nối gốc với các thuật toán theo dõi như BoT-SORT để đảm bảo tính bền vững của danh tính.

Đoạn mã Python sau đây minh họa cách track objects và bảo tồn các ID duy nhất của chúng qua các khung hình video bằng cách sử dụng Ultralytics Python package:

from ultralytics import YOLO

# Load the latest YOLO26 model optimized for accuracy and speed
model = YOLO("yolo26n.pt")

# Perform tracking on a video source with persist=True for identity preservation
results = model.track(
    source="path/to/video.mp4",
    tracker="botsort.yaml",  # BoT-SORT uses appearance features to preserve ID
    persist=True,
)

# Extract and print the preserved tracking ID for the first object
if results[0].boxes.id is not None:
    print(f"Preserved Identity ID: {results[0].boxes.id[0].item()}")

Bằng cách đảm bảo rằng mỗi đối tượng được phát hiện giữ lại một chữ ký danh tính nhất quán, các nhà phát triển có thể xây dựng các ứng dụng mạnh mẽ từ autonomous driving đến việc tạo nội dung được cá nhân hóa, dựa vào các framework như PyTorch để xử lý các tensor operations phức tạp một cách hiệu quả ở bên dưới.