ICCVMar, 2020

生成对抗性身份口罩实现面部加密

PDF
TL;DR本文介绍了一种基于对抗性蒙版的身份保护技术（TIP-IM），该技术可以在保证视觉效果的情况下，对个人照片进行加密以保护用户的数据隐私。实验结果表明，TIP-IM 在不同实际测试场景下，能够提供超过 95% 的保护成功率，证明其在商业 API 服务中的实用性和有效性。
data privacysecurityface recognitionidentity protectionadversarial masks
发现论文，激发创造
  • 利用对抗样本实现人脸生物特征去识别

    本文评估了使用两种广为人知的敌对生成方法 (BIM and ILLC) 来去识别个人图像的效果，并发现使用几乎不可察觉的敌对扰动来达到高的保护成功率 (抑制识别率) 并不容易。最后，我们发现敌对样本的可转移性受其生成网络的训练参数的影响非常大。

    Feb, 2023

  • 打造一种抵御深度伪造攻击的肖像隐身盾

    本文提出了一种新的算法，基于保护肖像实施先发制人的策略，将与关键面部属性密切相关的信息隐秘编码嵌入正式图片中，以便检测被篡改的图像，实验证明，该方法对于各种类型的伪造具有较好的鲁棒性。

    May, 2023

  • 对抗性人脸遮蔽

    该篇研究论文提出了一种名为 Face-Off 的隐私保护框架，旨在通过对用户面部进行策略性扰动来防止它被正确识别，该框架能够欺骗微软、亚马逊和 Face++ 等三种商业人脸识别服务，并且用户研究表明，所进行的扰动对用户的成本是可以接受的。

    Mar, 2020

  • 基于密码限制的人脸身份转换的匿名化与还原

    提出一种面部身份变换器，实现基于密码的自动逼真化匿名化以及出现在视觉数据中的人脸的去匿名化，而不损害隐私。该方法可以使用多模态密码对面部进行匿名化和去匿名化，与现有的匿名化方法相比，不会损害隐私。

    Nov, 2019

  • 可逆掩码网络保护人脸隐私

    该论文提出了一种基于 IMN 的人脸隐私保护方法，该方法利用 Mask 网络生成 “Mask” 人脸，从而保护面部信息的可重用性，经实验证明，其不仅可以有效保护面部信息的隐私，而且几乎可以完美地从被蒙面的脸中恢复受保护的脸。

    Apr, 2022

  • 一种基于面部替换的身份混淆混合模型

    本研究提出了一种混合方法，通过头部替换来混淆照片中的身份信息，结合参数化人脸合成技术和生成对抗网络的最新进展，该方法可以对面部参数进行控制并允许对身份进行显式操作，并且可以添加细节和整体逼真度，实验结果表明该系统的输出相对原始图像的相似度更高，同时改进了遮蔽率。

    Apr, 2018

  • 基于频率限制的身份不可知攻击下的人脸加密

    通过引入微不可见的干扰来生成加密的面部照片以减少信息泄露，我们提出了一种基于受限频率和身份不可知性的框架，用于在未经授权的人脸识别中加密人脸图像，解决了黑盒攻击以及自然性保证的问题。我们的实验证明，我们的方法在生成更自然的加密面部照片方面胜过其他最先进的方法，并且在黑盒攻击的成功率达到 96%。此外，我们还使用真实的黑盒商业 API 验证了我们方法的功效，揭示了 FRIA 在实践中的潜力。

    Aug, 2023

  • IdentityDP: 人脸图像的差分隐私身份保护

    本研究提出了 IdentityDP，这是一个脸部数据去识别框架，结合了一种数据驱动的深度神经网络和差分隐私（DP）机制。通过该框架，可以有效地推断脸部相关信息，保留重要视觉相似性并生成高质量图像，同时在不预注释情况下提供多样性结果，以实际需求为依据调整隐私和效用平衡，可广泛应用于身份非特异性计算机视觉任务。

    Mar, 2021

  • CLIP2Protect：使用文本引导化妆与对抗潜在搜索保护面部隐私

    提出了一种基于生成模型的低维流形中的对抗潜在编码来保护面部隐私的方法，该方法利用用户定义的化妆文本提示和保存身份信息的正则化来引导对潜在空间中的对抗编码的搜索，实验结果表明该方法的人脸隐私保护效果优于现有技术。

    Jun, 2023

  • 基于博弈论的对抗性图像干扰用于隐私保护

    研究表明采用对抗性图像扰动（AIP）可以在不影响图像质量的情况下有效地混淆识别系统，但未知对策时 AIP 效果不确定，因此引入了博弈论框架来研究用户和识别器之间的交互，并推导出用户的最优策略以确保识别率上限是独立于识别器的对策选择的。

    Mar, 2017