基于可训练光学核的隐私保护图像采集
计算机视觉与模式识别
2021-06-29 v1 密码学与安全
机器学习
图像与视频处理
摘要
在我们这个传感器和摄像头无处不在的社会中，隐私保护日益受到关注。在这项工作中，我们首次提出一种可训练的图像采集方法，在敏感身份信息到达图像传感器之前，于光学域中将其去除。该方法得益于一个可训练的光学卷积核，它传输所需信息的同时滤除敏感内容。由于敏感内容在到达图像传感器之前已被抑制，它不会进入数字域，因此无法通过任何隐私攻击恢复。这与当前所有易受直接访问攻击的数字隐私保护方法形成对比。此外，与先前无法训练的光学隐私保护方法不同，我们的方法是数据驱动的，并针对手头的具体应用进行优化。而且，采集系统没有额外的计算、内存或功耗负担，因为该处理被动地发生在光学域中，甚至可以与全数字隐私保护系统结合使用并叠加于其上。所提方法可适配不同的数字神经网络和内容。我们针对若干场景进行了演示，例如以微笑检测作为所需属性，同时将性别作为敏感内容滤除。我们将光学核与两个对抗神经网络联合训练，其中分析网络试图检测所需属性，对抗网络试图检测敏感内容。我们表明，当选择性别作为敏感内容时，该方法能减少 65.1% 的敏感内容，且仅损失 7.3% 的所需内容。此外，我们使用深度重建方法重建原始人脸，证实了重建攻击获取敏感内容的有效性缺失。
引用
@article{arxiv.2106.14577,
title = {Privacy-Preserving Image Acquisition Using Trainable Optical Kernel},
author = {Yamin Sepehri and Pedram Pad and Pascal Frossard and L. Andrea Dunbar},
journal= {arXiv preprint arXiv:2106.14577},
year = {2021}
}
备注
9 pages, 9 figures