OPOM：面向人脸隐私保护的定制化隐形衣

人脸识别技术在日常生活中带来便利的同时，也引发了社交媒体上普通用户的隐私担忧，因为这些技术可在无任何安全限制的情况下高效且隐蔽地分析人脸图像与视频。本文从技术角度基于一种新型定制化 cloak 研究人脸隐私保护，该 cloak 可应用于某普通用户的所有图像，以防止恶意人脸识别系统识别其身份。具体而言，我们提出一种名为一人一掩码（one person one mask, OPOM）的新方法，通过沿远离源身份特征子空间的方向优化每个训练样本，生成特定于个人（类级别）的通用掩码。为充分利用有限的训练图像，我们研究了多种建模方法，包括仿射包、类中心和凸包，以更好地描述源身份的特征子空间。所提方法的有效性在常见数据集和名人数据集上针对具有不同损失函数和网络架构的黑盒人脸识别模型进行了评估。此外，我们讨论了所提方法的优势与潜在问题。特别地，我们在Sherlock视频数据集的隐私保护上进行了应用研究，以展示所提方法的潜在实际用途。数据集与代码见 https://github.com/zhongyy/OPOM。