FaceMAE：基于掩码自编码器的隐私保护人脸识别
计算机视觉与模式识别
2022-05-24 v1
摘要
人脸识别作为人工智能中最成功的应用之一，已广泛应用于安防、行政管理、广告和医疗健康领域。然而，公开人脸数据集的隐私问题近年来受到越来越多的关注。以往工作简单地掩码人脸大部分区域或使用生成模型合成样本以构建隐私保护人脸数据集，忽视了隐私保护与数据效用之间的权衡。本文提出一种新颖框架 FaceMAE，同时考虑人脸隐私与识别性能。首先，使用随机掩码的人脸图像训练 FaceMAE 中的重建模块。我们定制实例关系匹配（IRM）模块以最小化真实人脸与 FaceMAE 重建人脸之间的分布差距。在部署阶段，我们使用训练好的 FaceMAE 从未见身份的掩码人脸重建图像，无需额外训练。基于重建数据集与原始数据集之间的人脸检索来衡量隐私泄露风险。实验证明重建图像的身份难以被检索到。我们还在多个公开人脸数据集（即 CASIA-WebFace 和 WebFace260M）上进行了充分的隐私保护人脸识别。与先前最优方法相比，FaceMAE 在 LFW、CFP-FP 和 AgeDB 上一致地将错误率降低至少 50%。
引用
@article{arxiv.2205.11090,
title = {FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders},
author = {Kai Wang and Bo Zhao and Xiangyu Peng and Zheng Zhu and Jiankang Deng and Xinchao Wang and Hakan Bilen and Yang You},
journal= {arXiv preprint arXiv:2205.11090},
year = {2022}
}
备注
A new paradigm for privacy-preserving face recognition via MAE