Dec, 2017

连接像素与隐私与效用：自动遮挡图片中的私人信息

PDF
TL;DR本文提出 “分割式打码” 方法，通过对用户研究发现，对涉及个人信息的图片区域进行模糊处理可以保护个人隐私，同时保留图片的有效信息。为此，我们提出了第一个包含多类隐私信息的大规模私人图像数据集，并提出了第一个自动打码模型。
privacysocial mediaimage obfuscationdatasetautomatic redaction
发现论文，激发创造
  • 构建一种可视化隐私建议系统：理解和预测图像中的隐私风险

    该研究提出了一种基于可视化隐私顾问的方法，在图像内容方面扩展用户的隐私设置，以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性，从图像直接预测个人信息，了解不同用户在隐私属性方面的偏好，并在此基础上提出模型以预测用户在隐私风险方面的表现，并在一定程度上优于用户自己的隐私风险认知。

    Mar, 2017

  • 基于 AutoGAN 的保护隐私降维技术

    提出了一种新的基于降维的隐私保护方法，该方法可生成经过降维的数据以执行机器学习任务，并防止强敌从中重构原始数据。在三个不同的人脸图像数据集上进行实验，结果显示当将维数降低到七时，可以分别实现 79％、80％和 73％的准确率，并且重构后的图像肉眼不可识别。

    Feb, 2019

  • 解释相关对象和隐私的模型

    利用从图像中提取的对象来确定图像为私人图像的难度比较大。通过使用特征归属来解释这些模型的决策，我们发现人类类别和其个数是决定隐私决策的主要因素。因此，这些模型在识别包含敏感数据的私人图像、车辆所有权和互联网活动的图像，以及含有人类的公共图像时通常失败。为了将来的基准测试，我们还设计了两个基于人类出现和数量的策略，并实现了与隐私模型相当的分类性能。

    May, 2024

  • 图像隐私分类的人类可解释性和深度特征

    隐私是一个复杂、主观和语境相关的概念，对其进行定义十分困难。因此，对图像进行注释以训练隐私分类器是一项具有挑战性的任务。在本文中，我们分析了隐私分类数据集及以不同评估员对具有对立隐私标签的具有争议性图像的注释属性。我们讨论了适用于图像隐私分类的特征，并提出了八个特定于隐私且可人工解释的特征。这些特征提高了深度学习模型的性能，并且与维度更高的深度特征相比，它们自身在图像隐私分类中表现出更好的图像表示。

    Oct, 2023

  • 使用深度神经网络进行图像隐私预测

    本文研究了利用卷积神经网络和用户标签来自动预测图像的隐私，并将不同卷积神经网络中提取的深度特征进行比较，结果表明使用 ResNet 提取的特征的学习模型在图像隐私预测方面优于其他模型。同时，该研究结果还表明深度视觉特征和图像标签的组合可以提高预测性能。

    Mar, 2019

  • 对抗图像篡改分析

    本文研究了简单易用的图像处理技术如何影响面部识别软件通过一个唯一的图像来识别一个人的各种面部图像，以应对随着虚拟和物理身份日益交织在一起，隐私和安全在在线领域中的重要性变得日益重要的情形。

    May, 2023

  • 通过操纵潜空间实现差分隐私成像

    为了解决社交媒体、照片设备的普及，以及人脸识别系统的不断增加所带来的图像隐私问题，我们提出了一种基于未经条件训练的生成模型的潜在空间的图像混淆新方法，该方法能够合成高分辨率、逼真的面部图像，并以满足局部差分隐私的形式进行操作。据我们所知，这是首个满足人的 ε- 差分隐私的图像隐私方法。

    Mar, 2021

  • 感知不可辨识网络（PI-Net）：可操作语义的面部图像混淆

    研究提出了一种基于知觉不可辨别性 (PI) 的隐私保护机制，即 PI-Net，以保护图像数据集中的敏感信息，并提高隐私保护的效用，取得了显著的优势。

    Apr, 2021

  • 只有我的模型与我的数据：一种保护模型并欺骗未经授权的黑盒模型的隐私保护方法

    通过生成可被人类感知的图像，本研究在保护模型准确推断的同时，回避其他类似或不同目标的非授权黑盒模型，以实现实际的隐私保护。

    Feb, 2024

  • 差分隐私跨摄像头人员再识别

    本研究探讨了使用像素化和颜色量化实现差分隐私机制来保护图像数据，以减少意外任务表现，同时保持高度再识别性能的可能性。

    Jun, 2023