May, 2020

利用差分隐私的隐私保护人脸识别

PDF
TL;DR本文提出了一种隐私保护技术，即 PEEP，该技术可对面部图像进行扰动以防止生物特征泄漏，并利用局部差分隐私的方法在第三方服务器上运行 Eigenface 识别算法。实验结果表明，PEEP 在标准隐私设置下的分类准确率约为 70％-90％。
facial recognition technologiesbiometric informationprivacy-preserving techniquepeepdifferential privacy
发现论文，激发创造
  • 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

  • 利用概率隐私保护逆向深度人脸嵌入

    通过评估非可逆性要求的满足程度以及面部嵌入提取器的漏洞评估，本文研究了声称提供软生物特征隐私保护的方法以及隐私保护中使用的转换复杂性，实验结果表明，受保护的面部嵌入可以在达到约 98% 的精度时重构。

    Oct, 2023

  • LDP-Feat：带有局部差分隐私的图像特征

    现代计算机视觉服务经常要求用户与不受信任的服务器共享原始特征描述符，这带来隐私风险，为解决此问题，研究人员最近提出了通过将图像特征嵌入一个仿射子空间中从而使其包含原始特征及对抗特征样本来实现特征私有化。本文提出了两种新的反演攻击方法，证明从这些嵌入中可以（近似地）恢复原始图像特征，从而能够恢复敏感的图片内容。鉴于这样的成功和现有视觉隐私方法缺乏理论上的隐私保证，我们进一步提出了第一个通过局部差分隐私来实现图像特征私有化的方法，不同于先前的方法，该方法提供了一个隐私泄露的保证边界，无论攻击的强度如何。此外，我们的方法在视觉定位作为下游任务中表现出很强的性能，并享有隐私保证。

    Aug, 2023

  • 混合频 - 色域隐私保护人脸识别

    通过频率 - 颜色融合，基于身份的嵌入映射和安全多方计算等方法，提出一种隐私保护的人脸识别方案，以降低维度、保护个人隐私并获得更高的准确率。

    Jan, 2024

  • 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

  • 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

  • 基于掩码模板的隐私保护

    该论文提出了保护个人隐私的重要性，并探讨了通过防止非授权识别算法获取原始图像的实际特征，从而保护人体基 ometrics 的图象隐私的方法。

    Feb, 2022

  • 智能画框选取作为人脸识别的隐私友好替代方案

    本文提出了一种隐私友好的大规模人脸识别替代方案，使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此，本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法，并通过实验验证了其有效性。

    Jan, 2021

  • 面部去识别中提升保护的隐私保护光学技术

    通过硬件级别的人脸去识别方法，解决了软件级别的人脸去识别在隐私安全上的漏洞问题。

    Mar, 2024

  • 差分隐私：基于扩散的人脸隐私保护

    本文提出了一种基于扩散模型的面部隐私保护方法 Diff-Privacy，通过统一匿名化和视觉身份信息隐藏任务，利用多尺度图像反演模块（MSI）和条件嵌入策略实现面部图像的隐私保护。

    Sep, 2023