通过噪声采样学习审查点云
计算机视觉与模式识别
2022-03-24 v1 密码学与安全
机器学习
摘要
点云是一种日益普及的输入模态，并且借助深度学习的最新进展可高效处理原始信号。该信号可能（往往无意中）捕获敏感信息，泄露数据所有者不愿共享的场景的语义和几何属性。本工作的目标是在从点云学习时保护敏感信息；通过在将点云发布用于下游任务之前审查敏感信息。具体而言，我们专注于在缓解属性泄露攻击的同时保留感知任务的效用。关键的启发性见解是利用感知任务在点云上的局部显著性来提供良好的隐私-效用权衡。我们通过一种称为噪声采样审查（CBNS）的机制实现这一点，该机制由两个模块组成：i）不变采样器：一个可微的点云采样器，学习移除对效用不变的点；ii）噪声扭曲器：学习扭曲采样点以将敏感信息从效用中解耦，并减轻隐私泄露。我们通过与最先进基线的广泛比较以及关键设计选择的敏感性分析验证了 CBNS 的有效性。结果表明，CBNS 在多个数据集上实现了优越的隐私-效用权衡。
引用
@article{arxiv.2203.12192,
title = {Learning to Censor by Noisy Sampling},
author = {Ayush Chopra and Abhinav Java and Abhishek Singh and Vivek Sharma and Ramesh Raskar},
journal= {arXiv preprint arXiv:2203.12192},
year = {2022}
}