本文提出了一种有效的隐私保护学习范式，通过对图像进行加密以实现人类不可察觉机器可识别，将这一方法应用于图像分类和目标检测，在 ImageNet 和 COCO 数据集上实验结果表明，这种方法可以实现与现有方法相当的准确性且能够确保加密图像的隐私安全。

Jun, 2023

该研究针对深度神经网络中的图像应用提出了一种加密技术，并尝试通过选择明文和密文攻击来测试其安全性。

Apr, 2020

本研究提出了一种新的隐私保护深度神经网络方案，既能够在训练和测试中将缺乏视觉信息的图像应用于 DNNs，也能够首次在加密域中考虑数据增强，该方法采用了一种新的基于像素的图像加密方法，同时提出了一种适应性网络以降低图像加密的影响，并对知名的 ResNet-18 网络应用该方法进行图像分类实验，结果表明，在加密域中进行数据增强的传统隐私保护机器学习方法包括现有最先进的方法都无法应用，而所提出的方法在分类精度方面表现卓越。

May, 2019

本文介绍了一个基于深度卷积神经网络和数据增强技术的解决方案，用于 IEEE Big Data Cup 2022 挑战中隐私保护匹配加密图像的任务，并在该挑战中获得第一名。主要关键词为智慧城市、智慧传感器、隐私保护、加密技术和深度卷积神经网络。

Nov, 2022

文中讨论深度神经网络的鲁棒性，探索使用对抗干扰来做数据隐藏的可行性，并展示了效果竞争力强的编码技术及其在对抗干扰下的鲁棒性的改进方式。

Jul, 2018

本文介绍了 InstaHide，一种能够同时保护隐私并运用于分布式深度学习的图像加密方法，通过一个机制使得攻击者难以破解出影像内容，从而实现对个人隐私的保护，并通过实验与理论分析证明了其对隐私的有效保护。同时，该论文还深入分析了 Pixel Mask 对于安全性的重要性，并在最后提供了对抗着的挑战和相关代码。

Oct, 2020

本文介绍了一个加密学习框架，引入了多种算法对命名实体识别任务的训练数据进行加密，并使用加密数据训练深度神经网络，在六个中文数据集上进行实验，本文解决了数据泄露问题并取得了令人满意的结果。

Aug, 2022

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

利用基于人工神经网络的现代图像识别方法，我们证明了可以从经过各种混淆保护的图像中恢复隐藏的信息，包括像素化、模糊和加密等技术，我们还证明通过训练人工神经网络即使这些图像被保护，也可以成功识别面部、识别物体和手写数字。

Sep, 2016

本文提出了一种有效的基于像素的感知加密方法，采用混沌映射生成的序列对像素值进行异或运算。已验证该方法在保持原始图像固有属性的同时提供了必要的安全性，且应用于数据集 CIFAR 上时，其分类精度与现有方法相当，同时提高了安全性。

Mar, 2022