Aug, 2024

基于无训练神经网络优先级的化妆引导面部隐私保护

HTML
PDF
TL;DR本研究解决了深度学习人脸识别系统带来的隐私风险，尤其是现有方法需依赖大规模化妆数据集所导致的弊端。通过提出一种在测试时优化未训练神经网络的创新方法，实现了从参考图像向源图像转移化妆风格，同时避免了男性和女性数据集偏见。实验结果表明，该方法在面部验证和识别任务中表现优越，且对商业人脸识别系统具有有效的保护效果。
发现论文，激发创造
  • 反妆：学习一个双层对抗网络以实现妆容不变的人脸验证

    本文提出了一种使用双层对抗网络(BLAN)进行学习的方法，以解决化妆对面部识别的负面影响，首先从化妆样本中生成不化妆的图像，再进行进一步的验证，实验结果证明我们的方法能够达到业界最高的识别准确率，并且能够产生高质量的真实不化妆图像。

    Sep, 2017

  • 隐私保护深度行动识别：对抗学习框架和新数据集

    本文提出一种带有隐私保护机制的视频动作识别模型，通过敌对训练来寻找能够最佳平衡目标任务性能与隐私保护程度的匿名转换方法，并给出了两种优化策略以实现对于攻击模型的普适隐私保护。同时，构建了一种全新的视频数据集PA-HMDB51，为视觉隐私研究提供了有力支持。

    Jun, 2019

  • 保护面部隐私：通过样式鲁棒化妆转移生成对抗身份面罩

    本文提出了一种名为AMT-GAN的新型人脸保护方法，旨在构建具有更强的黑盒传递性和更好的视觉质量的对抗性人脸图像，通过引入新的正则化模块以及联合训练策略来解决对抗噪声和化妆品转移中的循环一致性损失之间的冲突，实现攻击能力和视觉变化之间的理想平衡。广泛的实验验证了该方法能够保持较高的视觉质量，同时在Face ++，Aliyun和Microsoft等商业FR API上实现更高的攻击成功率。

    Mar, 2022

  • 基于潜在代码优化的面部属性保护数据集匿名化

    本文提出了一种针对人脸图像数据集的匿名处理方案，采用生成对抗网络的潜在空间进行优化，解决现有方案中需要额外训练神经网络、没有保存面部特征等问题，实现了既保护隐私，又适合于训练机器学习模型的效果。

    Mar, 2023

  • 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

  • CLIP2Protect：使用文本引导化妆与对抗潜在搜索保护面部隐私

    提出了一种基于生成模型的低维流形中的对抗潜在编码来保护面部隐私的方法，该方法利用用户定义的化妆文本提示和保存身份信息的正则化来引导对潜在空间中的对抗编码的搜索，实验结果表明该方法的人脸隐私保护效果优于现有技术。

    Jun, 2023

  • 基于三维感知的对抗妆容生成技术用于人脸隐私保护

    本文提出了一种3D感知的对抗性化妆生成 GAN 模型，旨在提高身份信息遮盖的合成化妆品的质量和可转移性，进而保护人脸不被各种人脸识别模型与商业面部验证 API，如 Face++，百度和阿里云等识别。

    Jun, 2023

  • 面向模型反演攻击的适应性混合遮蔽策略的隐私保护人脸识别

    本文介绍了一种针对模型反演攻击的自适应混合遮蔽算法，通过在频域中使用自适应MixUp策略对人脸图像进行遮蔽，较传统方法获得更好的隐私保护和识别准确性。

    Mar, 2024

  • DiffAM：基于扩散的面部隐私保护对抗妆容转换

    利用扩散模型生成对抗性妆容转移以保护人脸图像隐私的研究

    May, 2024

  • PriPHiT：隐私保护的深度神经网络分层训练

    本研究解决了深度神经网络训练中因涉及敏感数据而产生的隐私问题。提出了一种新颖的方法，结合了边缘设备和云服务器的训练过程，有效地抑制敏感内容并仅传输任务相关信息。实验结果表明，该方法在不同人脸数据集和深度学习架构上表现出色，并成功抵御多种攻击，验证了其隐私保护的有效性。

    Aug, 2024