加密图像还能训练神经网络吗？探讨图像信息与随机涡旋变换
密码学与安全
2024-12-02 v2
摘要
视觉是人类获取信息的重要渠道之一。本文构建了一种新型框架，用于衡量图像信息内容，以评估图像变换过程中信息内容的变化。该框架内设计了一种非线性函数来计算图像中不同像素距离下的邻域信息内容，然后利用该信息衡量图像的整体信息内容。因此，我们定义了一个函数来表示图像变换过程中信息内容的变化。此外，基于上述框架，我们证明了交换图像中任意两个像素位置会降低图像信息内容。进一步地，基于该框架，我们提出了一种新型图像加密算法，称为随机涡旋变换 (Random Vortex Transformation)。该算法在保持像素邻域信息的同时，使用随机函数对图像进行加密。加密后的图像对人类感官而言难以辨别，却允许直接使用机器学习方法对加密图像进行训练。实验验证表明，使用 ResNet 和 Vision Transformer 对加密数据集进行训练，仅导致准确率下降 0.3% 至 6.5%，同时确保数据安全。此外，图像信息损失率与准确率下降率之间存在正相关性，这进一步支持了我们提出的图像信息内容测量框架的有效性。
引用
@article{arxiv.2411.16207,
title = {Can Encrypted Images Still Train Neural Networks? Investigating Image Information and Random Vortex Transformation},
author = {XiaoKai Cao and WenJin Mo and ChangDong Wang and JianHuang Lai and Qiong Huang},
journal= {arXiv preprint arXiv:2411.16207},
year = {2024}
}