Jul, 2023

PRO-Face S: 基于安全流的保护隐私可逆模糊化人脸图像

PDF
TL;DR本文提出了一种新的面部隐私保护范式，通过使用一种轻量级框架统一了匿名性、多样性、可逆性和安全性等多个特征，称之为 PRO-Face S，即通过安全的基于流的模型实现对面部图像的隐私保护的可逆模糊化。
facial privacy protectionpro-face sreversible obfuscationsecure flow-based modelinvertible neural network
发现论文，激发创造
  • 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

  • ImageNet 中人脸混淆的研究

    本文研究了面部模糊化对 ImageNet 视觉识别基准的影响，结果显示面部模糊化对图像识别的准确性影响很小，预训练的深度神经网络在面部模糊化的图像上表现稳定，并且面部模糊化的数据在迁移学习中同样具有良好的转移性能。

    Mar, 2021

  • 生成对抗性身份口罩实现面部加密

    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。

    Mar, 2020

  • 基于深度学习的图像去混淆技术

    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

  • 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

  • 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

  • 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

  • 只有我的模型与我的数据：一种保护模型并欺骗未经授权的黑盒模型的隐私保护方法

    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

  • 无法察觉的人类图像，可被机器识别

    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

  • 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