基于混淆的隐私保护表示可利用邻域信息恢复
计算机视觉与模式识别
2025-02-12 v2
摘要
AR/VR/MR 应用和基于云的视觉定位系统的迅速普及，使得定位过程中用户内容的隐私问题日益受到关注。深度神经网络能够从稀疏的 3D 或 2D 点集及其描述子中恢复场景的详细图像——即所谓的反演攻击，进一步加剧了这种隐私担忧。因此，隐私保护定位的研究重点在于防止对查询图像关键点和场景地图 3D 点的反演攻击。为此，已提出多种几何混淆技术，例如将点提升到更高维空间（如线或平面），或在点之间交换坐标。本文指出了这些混淆方法的一个共同弱点：在已知邻域的假设下，可以恢复原始点位置的近似值。我们进一步证明，通过学习识别在邻域中共同出现的描述子，可以计算出这些邻域。大量实验表明，我们的点恢复方法可实际应用于所有现有的几何混淆方案。我们的结果表明，即使这些方案声称具有隐私保护性，也不应被视为隐私保护方案。代码将发布于 https://github.com/kunalchelani/RecoverPointsNeighborhood。
引用
@article{arxiv.2409.11536,
title = {Obfuscation Based Privacy Preserving Representations are Recoverable Using Neighborhood Information},
author = {Kunal Chelani and Assia Benbihi and Fredrik Kahl and Torsten Sattler and Zuzana Kukelova},
journal= {arXiv preprint arXiv:2409.11536},
year = {2025}
}
备注
To appear in the proceedings of 3DV 2025