基于文本引导的可控性对抗性化妆以保护隐私
计算机视觉与模式识别
2025-09-30 v3 密码学与安全
摘要
随着面部识别技术在政府和商业服务中的广泛应用，其潜在滥用引发了对隐私和公民权利的严切关切。为对抗此威胁，已提出 various anti-facial recognition 技术，通过对人脸图像进行对抗性扰动来保护隐私。在此类方法中，生成式化妆基于方法最受关注。然而，这些方法主要设计用于冒充特定目标身份，仅能实现较弱的躲避成功率，同时增加受定向滥用的风险。此外，它们常常引入全局视觉瑕疵或缺乏适应多样化化妆提示的灵活性，影响用户满意度。为解决上述局限性，我们开发了 MASQUE，一种基于扩散的新型框架，可生成由用户定义的文本提示引导的局部对抗性化妆。基于精确的空文本逆变换、定制的交叉注意力融合与掩码，以及使用相同个体图像的配对对抗引导机制，MASQUE 在无需任何外部身份标识的情况下实现稳健的躲避性能。对开源人脸识别模型和商业 API 进行全面评估表明，MASQUE 在所有基线方法上显著提高了躲避成功率，同时保持更高的感知保真度、对各种化妆提示的更强适应性以及对图像变换的鲁棒性。
引用
@article{arxiv.2503.10549,
title = {Controllable Adversarial Makeup for Privacy via Text-Guided Diffusion},
author = {Youngjin Kwon and Xiao Zhang},
journal= {arXiv preprint arXiv:2503.10549},
year = {2025}
}