面向连接自动驾驶车辆的基于视觉到文本转换的隐私保护
计算机视觉与模式识别
2026-01-15 v3 机器学习
摘要
智能交通系统（ITS）依赖多种设备，常常处理隐私敏感数据。路侧单元因使用配备 AI 摄像头检测 Connected and Autonomous Vehicles（CAV）中的交通违规行为而至关重要。然而，虽然车辆内部通常被视为私人空间，但捕获 imagery 的隐私风险仍是一个主要关切，此类数据可能被滥用用于身份盗窃、轮廓化或未经授权的商业用途。面脸模糊等方法虽能降低隐私风险，但仍可能妨碍个人隐私。本文引入一种 novel 隐私保护框架，利用反馈式强化学习（RL）和视觉语言模型（VLM）保护 AIE 摄像头捕获的敏感视觉信息。我们提出的想法通过一种创新方法将图像转换为文本描述，同时保留主场景细节并保护隐私。采用分层 RL 策略迭代细化生成的文本，提高语义准确性和隐私。与先前基于字幕的方法不同，我们的模型包含来自外部知识反馈的迭代强化学习循环，逐步细化隐私感知文本。除了定性文本度量评估外，隐私度量结果表明，在两个不同数据集上，我们的方法在 SSIM、PSNR、MSE 和 SRRA 值方面优于其他方法。
引用
@article{arxiv.2506.15854,
title = {Privacy-Preserving in Connected and Autonomous Vehicles Through Vision to Text Transformation},
author = {Abdolazim Rezaei and Mehdi Sookhak and Ahmad Patooghy and Shahab S. Band and Amir Mosavi},
journal= {arXiv preprint arXiv:2506.15854},
year = {2026}
}