Dec, 2017

半对抗网络：卷积自编码器用于为人脸图像赋予隐私

PDF
TL;DR该论文设计和评估了一种卷积自编码器，通过扭曲输入的人脸图像来保护个人隐私，使用半对抗训练方案训练模型，实现图像模糊化编码，扰动后的图像可用于脸部评价但不适用于性别分类和生物识别。该方案在扰动图像的逼真性、性别属性混淆和生物识别性能三个方面得到了验证，证明了提升人脸图像的性别隐私的有效性。
convolutional autoencoderprivacygender classificationsemi-adversarial trainingbiometric recognition
发现论文，激发创造
  • 基于半对抗网络的性别隐私保护方法：对混淆任意性别分类器的集成算法

    该论文提出了一种基于 Semi Adversarial Networks 的集成模型来实现对面部图像的隐私保护，并通过多个实验验证了该模型在实现面部图像的性别隐私保护方面的有效性。

    Jul, 2018

  • PrivacyNet: 多属性人脸隐私的半对抗网络

    通过使用基于 GAN 的半对抗网络（PrivacyNet）的图像扰动方法，我们很好地实现了对输入面部图像进行软生物特征隐私的保护，在面部图像用于匹配目的时仍能够进行匹配，但无法可靠地被用于属性分类器。

    Jan, 2020

  • DeepPrivacy：一种用于人脸去识别的生成性对抗网络

    该研究提出了一种基于条件生成对抗网络的新型体系结构，可以在保留原始数据分布的同时自动地对图像中的人脸进行匿名处理，以隐私安全信息为基础生成图像实现了对图像中所有人脸的完全匿名化，并且引入了包括非传统姿势、遮挡脸部和背景变化巨大的人脸数据集。最后，该模型在保护图像隐私的同时也适合于进一步用于深度学习模型的训练。该模型是保证人脸匿名化的同时生成逼真图像的首个解决方案。

    Sep, 2019

  • 使用卷积自动编码器防御对抗性攻击

    基于卷积自编码器的方法提高目标分类器对抗性攻击的鲁棒性，通过生成与输入图像相似的图像来恢复模型的准确性。

    Dec, 2023

  • 学习混淆：使用自编码生成训练时对抗数据

    本文提出了一种使用类自编码器的网络生成对训练数据加入扰动的新方法，可以对受害分类器的行为（无论是有目的还是非有目的的）进行操纵并降低其泛化能力。通过实验验证，这种方法可以被应用到各种数据集中，并且具有很好的可迁移性。

    May, 2019

  • 使用关注对抗生成网络对最先进人脸识别系统进行攻击

    本文研究如何通过使用生成网络和注意力机制来进行对抗攻击，以误导面部识别网络将某人误认为目标人物而非将其错判不明显的机制。

    Nov, 2018

  • 对抗自编码器

    本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。

    Nov, 2015

  • 隐私保护对抗性人脸特征

    本研究提出了一种基于对抗特征的面部隐私保护 (AdvFace) 方法，通过在对手模型中生成对抗性的潜在噪声来破坏从对抗性特征到面部图像的映射，生成隐私保护的对抗性特征来防御面部重建攻击。实验表明，AdvFace 在维护面部识别准确性的同时，比目前最先进的面部隐私保护方法更有效地防御重建攻击。

    May, 2023

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 对抗性人脸合成

    该论文提出 AdvFaces，一种基于生成对抗网络 (GAN) 的自动化方法，用最小的扰动生成看似合法但实际上能够欺骗最新人脸识别系统的假冒人脸或模糊真正主题的攻击性人脸图像。

    Aug, 2019