面向一体化图像复原模型的精确遗忘

隐私保护一直是一个持续的话题，尤其是在人工智能领域。目前，一种被称为机器遗忘的低成本方案旨在遗忘模型中记忆的私有数据。具体来说，给定一个私有数据集和一个训练好的神经网络，我们需要使用例如剪枝、微调和梯度上升等方法，来移除该私有数据集对神经网络的影响。受此启发，我们尝试利用这一概念来弥合图像复原与安全领域之间的鸿沟，开创一个新的研究方向。我们为一体化模型（一种能复原多种退化信息的神经网络）提出了一个场景，其中给定的数据集（如雾霾或雨水）是私有的，需要消除其对已训练模型的影响。值得注意的是，我们发现这项任务面临着巨大挑战：既要移除敏感数据的影响，又要确保模型整体性能保持鲁棒，这类似于指挥一个交响乐团，在没有特定乐器的情况下仍要保持演奏的悦耳。在此，我们探索了一种简单而有效的方法：通过使用对抗样本和梯度上升技术进行实例级遗忘。与从头开始重新训练模型的策略相比，我们的方法是一种低成本解决方案，其中梯度上升技巧遗忘了指定数据，而对抗样本则维持了模型的鲁棒性能。通过在两个流行的一体化图像复原模型上进行广泛实验，我们表明，我们的方法在遗忘给定退化类型的同时，有效地保留了剩余数据的知识。