面向混合现实空间隐私保护的保守平面释放

增强现实（AR）或混合现实（MR）平台需要空间理解以检测物体或表面，通常包括其结构（即空间几何）和光度（如颜色、纹理）属性，以使应用能够将虚拟或合成物体看似“锚定”在真实世界物体上；在某些情况下，甚至允许物理与虚拟物体之间的交互。这些功能要求 AR/MR 平台以高分辨率和频率捕获三维空间信息；然而，这给用户隐私带来了前所未有的风险。除了被检测的物体外，空间信息还高度具体地揭示了用户的位置，例如用户在房屋的哪个部分。在这项工作中，我们提出利用空间泛化结合保守释放来提供空间隐私，同时保持数据效用。我们设计了一个基于现有三维数据上的场所与形状识别方法的对手作为攻击者，以评估所提出的空间隐私方法。然后，我们利用从 Microsoft HoloLens 收集的三维点云模拟用户在空间中的移动，随着移动逐渐暴露更多空间。结果表明，释放不超过 11 个泛化平面——由连续暴露的、半径足够大的空间（即 $r\leq1.0m$）累积而来——可使对手在至少一半的时间内无法识别用户的空间位置。此外，如果累积空间的半径较小，即每个连续暴露的空间为 $r\leq 0.5m$，我们可以释放多达 29 个泛化平面，同时享有更好的数据效用和隐私。