局部特征与随机匿名化相遇：革新黑箱模型的隐私保护人脸识别
计算机视觉与模式识别
2024-12-12 v1
摘要
隐私保护人脸识别(PPFR)任务目前面临两个尚未解决的主要挑战：(1) 现有方法通常仅对特定人脸识别模型有效，难以泛化到黑箱人脸识别模型；(2) 当前方法采用数据驱动的可逆表示编码进行隐私保护，使其容易受到对抗学习和原始图像重建的影响。我们观察到人脸识别模型主要依赖局部特征（如面部轮廓、皮肤纹理等）进行识别。因此，通过在增强局部特征的同时扰乱全局特征，我们即使在黑箱环境中也能实现有效识别。此外，为了防止对抗模型学习和逆转匿名化过程，我们采用基于对抗学习的方法，结合不可逆的随机注入，以确保匿名化的随机性。实验结果表明，我们的方法在黑箱模型上实现了平均94.21%的识别准确率，在隐私保护和抗重建能力方面均优于现有方法。
引用
@article{arxiv.2412.08276,
title = {Local Features Meet Stochastic Anonymization: Revolutionizing Privacy-Preserving Face Recognition for Black-Box Models},
author = {Yuanwei Liu and Chengyu Jia and Ruqi Xiao and Xuemai Jia and Hui Wei and Kui Jiang and Zheng Wang},
journal= {arXiv preprint arXiv:2412.08276},
year = {2024}
}