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

本文探讨了如何在攻击者对检测器有限的知识的情况下进行数据驱动的图像篡改检测，通过随机特征选择得到了安全性显著提高而非攻击状态下性能略微下降的检测方法。

Feb, 2018

本文通过构建一个新的算法实现了对基于深度学习的三种拼接定位工具（EXIF-SC、SpliceRadar、Noiseprint）进行对抗样本攻击的可行性，并发现这些攻击是具备可迁移性的，可以降低它们的定位性能。

Apr, 2020

本文提出了一种基于对抗训练的框架 DeepObfuscator，使用专门设计的学习性混淆器来保护在移动设备上运行的深度学习模型的隐私，从而防止被攻击者利用从原始数据中提取的特征进行图像重建和私有属性推断。实验结果表明，使用该算法后，重建图像的质量明显下降，无法对人物进行重新识别，同时攻击者获得的隐私信息分类准确度也显著降低。

Sep, 2019

本文提出了第一个完全通用的局部协变特征检测器学习方法，将检测视为回归问题，使用深度神经网络等强大的回归器，提出了一个可以用于自动学习提供局部特征检测稳定锚点的协方差约束，并在标准特征基准测试中展示了平移和旋转协变检测器的实证结果。

May, 2016

提出了一种隐私保护特征表示方法，通过嵌入原始特征和对抗特征样本的仿射子空间来消除每个特征描述符的约束并启用基于子空间距离的特征匹配，该方法可在视觉定位和建图以及人脸认证等应用中具有高的实用价值并显著增强对手窃取隐私信息的难度。

Jun, 2020

本文介绍了一种使用数据增强和正交视角投影学习不变性描述符的新框架，通过旋转保角本质的数据增强学习旋转不变性的本地描述符，并通过一种对特征匹配方法进行改进的技术以及新的自定义数据集进行了验证，在包括姿势估计和视觉位置识别等关键任务上提供了实用性能量的性能表现。

Mar, 2021

本研究针对深度神经网络嵌入式特征表示的反演问题进行了研究，发现攻击者可以通过利用现成的深度神经网络模型和公共数据集，仅通过获取到的特征表示和攻击者的先验知识，模拟原始模型的行为，并构建成功鉴别的生物特征重建模型。

Apr, 2023

本研究提出了一种局部特征提取的方法，将检测器和描述子两个步骤互相独立，并关注它们在学习过程中的交互。该方法使用了一种新型的检测器优化技术和多尺度方法提取图像的局部特征，并在各项基准测试中显示出了比现有技术更好的性能。

May, 2020

本文讨论了攻击复杂本地特征提取算法和模型的方法，以达到两个不同的目标：(1) 强迫不匹配的图像区域匹配，以及 (2) 阻止原本匹配的区域匹配。最后，我们讨论了不同补丁生成方法的性能和缺点。

Jun, 2024