CAIAMAR：多智能体推理驱动的上下文感知图像匿名化框架

CAIAMAR是一种基于多智能体推理的上下文感知图像匿名化框架，通过三智能体PDCA循环协调机制，结合空间上下文判断PII类型，在CUHK03-NP数据集上将重识别风险降低73%，同时保持图像质量和语义分割完整性。该框架解决传统匿名化方法过度/不足处理、数据主权问题，为隐私计算领域开辟新方向。

街景图像含大量个人可识别信息(PII)，但识别高度依赖上下文。传统匿名化面临两难：过度处理损害图像可用性，不足则遗漏间接标识符；API方案暴露数据违背数据主权原则。现有CV方法用刚性类别规则，无法区分同一物体在私人/公共空间的隐私敏感度，空间语境理解成为关键课题。

CAIAMAR采用三智能体PDCA循环协作：侦察智能体以"侦察-缩放"策略粗粒度定位潜在敏感区域；分割智能体执行开放词汇局部分割；去重智能体基于30%IoU阈值检测重复目标。架构借鉴LVLM推理能力，基于空间上下文判定PII，而非固定类别规则。

核心创新为空间过滤粗到细策略：先判断区域属私人领地/公共空间，决定匿名化强度。采用模态特定扩散引导，通过外观去相关降低重识别风险，同时保留语义一致性。框架全本地运行（开源模型），生成人类可读审计追踪记录，支持GDPR合规。

1. 重识别风险：CUHK03-NP数据集上R1指标从62.4%降至16.9%，降低73%，有效处理服装、配饰等间接PII；2. 图像质量：CityScapes数据集KID=0.001、FID=9.1，优于现有方法；3. 下游兼容性：处理后图像语义分割性能良好，保留场景理解所需特征。

贡献：1. 智能体工作流让开源模型超越专有模型鲁棒性；2. 全本地运行保障数据主权，审计追踪满足合规要求。未来可扩展时间序列分析、多模态融合等智能体，提升LVLM语境理解精度。该研究推动隐私保护从"一刀切"转向语境感知、从黑盒转向透明系统。