FLUID（Utility-preserving Identity Displacementによる顔の非特定化）は、事前に学習された拡散モデルの潜在空間においてアイデンティティを直接置換するトレーニング不要のフレームワークです。この手法は、化学における置換メカニズムにインスパイアを受け、アイデンティティ編集を潜在空間における意味的移動と再解釈しています。新しい試薬損失に基づいた最適化を通じて、アイデンティティ編集の方向性を発見し、属性の保存とアイデンティティの抑制を監督します。また、線形および測地的（接線ベース）の編集スキームを提案し、潜在多様体を効果的にナビゲートします。CelebA-HQおよびFFHQにおける実験結果は、FLUIDがアイデンティティ抑制と属性保存の間で優れたトレードオフを実現し、最先端の匿名化手法を上回ることを示しています。