Mar, 2021

IdentityDP: 人脸图像的差分隐私身份保护

PDF
TL;DR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。
face de-identificationdifferential privacyneural networkprivacycomputer vision
发现论文，激发创造
  • 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

  • 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

  • 基于生成式深度神经网络的人脸去识别化

    利用生成型神经网络构建一个新的面部去标识化流程，它可以合成虚拟的替代面部并应用于图像和视频中去标识化受试者，同时保留非身份相关的数据方面，并且证实这种基于 GNN 的去标识化方法非常有效，其去标识化后的图像能够达到近似随机的识别效果。

    Jul, 2017

  • AnonymousNet：可度量隐私的自然人脸去身份化方法

    本文提出了一种名为 AnonymousNet 的新框架，该框架包含四个阶段：面部属性估计、以隐私指标为导向的面部模糊处理、定向自然图像合成和对抗扰动。AnonymousNet 不仅在图像质量和属性预测准确性方面取得了最先进的成果，而且还首次展示了面部隐私的可衡量性和可分解性，以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。

    Apr, 2019

  • 利用差分隐私的隐私保护人脸识别

    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％。

    May, 2020

  • 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

  • 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

  • 通过图像字幕实现差分隐私表示学习

    在这项工作中，我们通过图像字幕和扩大到互联网规模的多模态数据集，通过一系列的工程技巧，成功地从头开始训练了一个差分隐私图像字幕生成器（DP-Cap），并获得了前所未有的高质量图像特征，可用于各种下游视觉和视觉语言任务。

    Mar, 2024

  • 面部去识别隐私保护 GAN

    提出了一种基于隐私保护 GAN（PP-GAN）的新框架，将具有新颖真实性验证器和调节器模块的 GAN 用于人脸去识别问题，以确保在保持结构相似度的情况下产生去识别输出。该方法在隐私保护、实用保护和结构相似度方面的表现优于现有的人脸去识别技术，并提供了一种通过领域知识先验来封装 GAN 框架的实用解决方案。

    Jun, 2018

  • 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