ErasableMask：针对黑盒人脸识别模型的稳健且可擦除的隐私保护方案
计算机视觉与模式识别
2025-05-23 v4 人工智能
摘要
尽管人脸识别(FR)模型在人脸验证和识别方面带来了显著的便利，但它们也对公众构成了实质性的隐私风险。现有的面部隐私保护方案通常采用对抗性示例来干扰FR模型的人脸验证。然而，这些方案往往存在针对黑盒FR模型的转移性较差，并会永久性损坏无法满足法医和身份验证等授权操作要求的可识别信息。为了解决这些限制，我们提出ErasableMask，一种针对黑盒FR模型的稳健且可擦除的隐私保护方案。具体而言，通过重新思考面向代理FR模型之间的内在关系，ErasableMask引入一种新型的元辅助攻击，通过稳定且平衡的优化策略学习更通用特征，从而提升黑盒转移性。它还提供一种扰动擦除机制，支持在不降低图像质量的情况下擦除受保护人脸中的语义扰动。为进一步提高性能，ErasableMask采用课程学习策略来缓解对抗攻击和扰动擦除之间的优化冲突。在CelebA-HQ和FFHQ数据集上的大量实验表明，ErasableMask在转移性方面实现了在商业FR系统中平均超过72%的置信水平。此外，ErasableMask也表现出卓越的扰动擦除性能，实现了超过90%的擦除成功率。
引用
@article{arxiv.2412.17038,
title = {ErasableMask: A Robust and Erasable Privacy Protection Scheme against Black-box Face Recognition Models},
author = {Sipeng Shen and Yunming Zhang and Dengpan Ye and Xiuwen Shi and Long Tang and Haoran Duan and Yueyun Shang and Zhihong Tian},
journal= {arXiv preprint arXiv:2412.17038},
year = {2025}
}