에지‑네이티브 생성형 탈식별: 역전‑무료 흐름으로 프라이버시 보호 연합 피부 이미지 분석

초록

본 논문은 역전‑무료 Rectified Flow Transformer(FlowEdit)를 활용해 클라이언트‑단에서 얼굴 정체성을 합성 이미지로 변환하고, 동일 시드 기반 “건강한 트윈”과의 차분을 통해 병변 마스크를 추출한다. 20초 이내 실시간 처리와 IoU ≥ 0.67의 안정성을 보이며, 연합 학습에서의 그라디언트 유출 위험을 근본적으로 차단한다.

상세 분석

이 연구는 연합 학습(FL) 환경에서 피부 영상 데이터의 개인 식별 정보를 제거하면서 병변 정보를 보존하는 두 가지 핵심 기술을 제시한다. 첫 번째는 **Inversion‑Free Rectified Flow Transformer(FlowEdit)**이다. 기존 확산 모델은 노이즈 역전 과정을 반복적으로 수행해야 하므로 연산량이 크고, 저사양 엣지 디바이스에 부적합하다. FlowEdit은 ODE 기반의 직접 매핑을 사용해 소스 이미지와 목표 합성 정체성 사이의 속도장을 계산한다. 여기서 Source Velocity와 Target Velocity를 가중치(γ)로 조절함으로써, 정체성 변환은 강하게 진행하면서도 Source Guidance를 높게 유지해 피부의 미세 텍스처와 병변(예: 홍반) 정보를 그대로 유지한다. 이 과정은 1024×768 해상도 이미지를 NVIDIA L4 GPU에서 20초 미만에 처리할 수 있어 실제 병원 워크스테이션에 적용 가능하다.

두 번째는 Segment‑by‑Synthesis 메커니즘이다. 동일한 잠재 시드와 조명·구조 정보를 공유하는 두 개의 합성 이미지를 생성한다: (1) 정체성이 변환된 병변 포함 이미지(I_path)와 (2) 동일 정체성을 갖지만 “건강한 피부” 프롬프트를 적용한 이미지(I_healthy). 두 이미지 사이의 픽셀‑와이즈 차분을 CIELAB 색공간의 α* 채널에서 수행하면, 색조와 조명 차이를 최소화하면서 순수한 홍반 신호만 남는다. 차분 결과에 동적 임계값 θ*를 최적화하면, 정체성에 의한 잡음(눈 모양, 문신, 보석 등)이 완전히 소거된 바이너리 마스크 M을 얻는다.

실험에서는 고해상도 임상 사진 2종(전체 얼굴, 안와·눈 주위)으로 파일럿 검증을 수행하였다. IoU는 합성 정체성 간에 0.67~0.71 수준을 유지했으며, Grounded‑SAM 기반 베이스라인 대비 잡음(입술, 보석, 그림자)에 대한 오분류가 현저히 감소했다. 또한, 마스크 추출 과정이 완전 자동화돼 라벨링 비용을 크게 절감하고, FL 라운드당 전송되는 데이터는 합성 이미지 + 마스크만으로 제한돼 그라디언트 역전 공격에 대한 노출을 근본적으로 차단한다.

핵심 인사이트는 다음과 같다.

1. 역전‑무료 흐름 모델은 고품질 정체성 변환을 실시간으로 제공함으로써, 기존 고비용 확산 기반 탈식별 방법을 대체한다.
2. 동일 시드 기반 Counterfactual 접근은 병변 신호를 정량적으로 분리할 수 있는 자연스러운 “디지털 트윈”을 만든다.
3. IoU 안정성이 정체성 변환 규모와 무관하게 유지된다는 점은, 학습된 FL 모델이 실제 환자 이미지에도 일반화될 수 있음을 시사한다.
4. 프라이버시 방화벽이 클라이언트‑단에 구현됨으로써, 데이터가 중앙 서버로 전송되기 전 이미 식별 정보가 제거돼, 차등 프라이버시(DP)와 병행해도 성능 저하 없이 보안 수준을 높일 수 있다.