人脸隐私保护
文章平均质量分 89
qq_38955142
这个作者很懒,什么都没留下…
展开
-
人脸隐私:5.IdentityDP
IdentityDP: Differential Private Identification Protection for Face Image现有的人脸去识别技术要么生成图像真实性不足,要么无法平衡隐私性和效用。聚焦于这些挑战,我们提出了IdentityDP模型框架,将一个数据驱动的深度神经网络与差分隐私机制相结合。该框架主要包含三个阶段:人脸表征解纠缠;ϵ−\epsilon-ϵ−IdentityDP扰动;图像重建。该模型能够有效模糊人脸的身份相关信息,保留重要的视觉相似性;生成高质量图像能够用于身份原创 2021-05-24 16:15:43 · 788 阅读 · 1 评论 -
人脸隐私:4.Face Identity Transformers
Password-conditioned Anonymization and Deanonymization with Face Identity Transformers提出一种新的人脸身份转换模块,能够对视觉库中的人脸进行自动的基于密码的匿名化和去匿名化操作。主要目的有三个:1.在匿名化后移除人脸身份信息;2.当给定正确密码时能够恢复原人脸;3.在给定一个错误密码时返回一张错误且真实人脸。实验表明,与现有匿名化方法相比,我们的方法能够在不牺牲隐私性的情况下进行多模式基于密码的匿名化和去匿名化操作。原创 2021-05-16 19:18:46 · 806 阅读 · 2 评论 -
人脸隐私:3.APF
Adversarial Privacy-preserving Filter提出一种端云协同对抗攻击解决方案以满足隐私性、实用性和不可访问性的需求。该解决方案主要由三个模块组成:图像特定的梯度生成,在客户端使用压缩探针模型提取图像特定的梯度;对抗梯度转换,微调在服务器中的图像特定的梯度;通用对抗扰动增强,附加与图像无关的扰动以得出最终的对抗性噪声。本文的目的是在不影响用户照片分享体验的前提下保护用户肖像隐私,需要满足两点:隐私性,无法从分享的人脸图像中获取识别信息;实用性,不能破环图像的质量。原创 2021-05-13 18:12:19 · 395 阅读 · 0 评论 -
人脸隐私:2.AnonymousNet
AnonymousNet: Natural Face De-Identification with Measurable Privacy现有的人脸图像去识别技术要么生成图像不够真实,要么在定性和定量上无法平衡隐私和可用性。本文提出的AnonymousNet框架用以解决上述问题,以一种自然且可测量的方式来平衡可用性和增强隐私性。框架分为四个阶段:人脸属性估计;以隐私度量为导向的人脸混淆;定向自然图像合成和对抗扰动。实现了最先进的图像质量和属性预测准确率。首次表明人脸隐私是可测量的、可以分解并因此以逼真的方式原创 2021-05-11 15:29:03 · 480 阅读 · 0 评论 -
人脸隐私:1.DeepPrivacy
DeepPrivacyarXiv提出了一种新的架构,能够自动将图像中的人脸匿名化并同时保留原始的数据分布。通过基于信息隐私安全生成图像,确保图像中所有的面孔完全匿名化。模型以条件生成对抗网络为基础,生成图像考虑原始姿态和图像背景。条件信息有助于我们能够生成高度真实的人脸,实现生成人脸和存在背景的无缝连接。引入了一个新的多样性人脸数据集,包含非常规姿态、遮挡人脸和多变的背景信息。基于条件生成对抗网络提出一种新的架构,能够自动将人脸匿名化并保留原始的数据分布。发布了新的多样性人脸数据集现有的解决原创 2021-04-06 11:10:22 · 955 阅读 · 0 评论 -
阅读笔记:Fwakes
ContentsAbstract1 Introduction2 Background and Related Work2.1 Protecting Privacy via Evasion Attacks2.2 Protecting Privacy via Poisoning Attacks2.3 Other Related Work3 Protecting Privacy via Cloaking3.1 Assumptions and Threat Model3.2 Overview and Intuiti原创 2020-08-18 11:52:04 · 612 阅读 · 1 评论