PrivacyGAN: 鲁棒的生成图像隐私
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
该研究提出了一种基于条件生成对抗网络的新型体系结构,可以在保留原始数据分布的同时自动地对图像中的人脸进行匿名处理,以隐私安全信息为基础生成图像实现了对图像中所有人脸的完全匿名化,并且引入了包括非传统姿势、遮挡脸部和背景变化巨大的人脸数据集。最后,该模型在保护图像隐私的同时也适合于进一步用于深度学习模型的训练。该模型是保证人脸匿名化的同时生成逼真图像的首个解决方案。
Sep, 2019
本文提出了一种 PPRL-VGAN 模型,可实现面部表情识别和高质量图像生成,并在保护用户隐私和数据实用性方面取得了一定平衡。
Mar, 2018
该论文讨论了 k 同种模糊化方法的局限性,提出了一种新的基于差分隐私的生成式机器学习模型中图像的模糊化方法,通过直接修改像素强度来实现图像的差分隐私,并通过实验比较证明了这种方法的优越性。
Feb, 2021
该研究提出了一种名为 table-GAN 的方法,使用生成对抗网络(GANs)合成伪造表格,用于保证数据匿名性和模型兼容性。实验证明,该方法在隐私和模型兼容性之间取得平衡,同时解决了数据泄露问题。
Jun, 2018
本研究介绍了 GANonymization,一种基于生成对抗网络的面部匿名化框架,用于保护个人隐私并防止释放敏感信息。该方法被评估为能够移除识别面部属性,同时保持面部表情,是一种很有前途的面部匿名化方法。
May, 2023
本文提出了一种称为 UP-GAN 的实用性保持生成模型,它在提供有效的面部隐私保护的同时,保留了年龄、性别、肤色、姿势和表情等面部特征。我们展示了该方法在面部隐私保护和实用性保护方面取得了最佳表现。
Jun, 2019
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
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
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