RDP：多尺度稀疏子空间中的面部特征保护排名差分隐私

随着个人面部图像在公共数据库中广泛共享，人脸识别系统面临着真实威胁：能够访问用户面部图像的对手可能利用这些图像入侵人脸识别系统。在本文中，我们提出了一种新颖的隐私保护方法，在多尺度稀疏特征子空间中保护敏感面部特征，通过考虑排名特征系数对隐私预算的影响或权重，称为“排名差分隐私（RDP）”。在多尺度特征分解后，根据几何叠加方法，将轻量级拉普拉斯噪声添加到降维后的稀疏特征系数中。然后，我们严格证明了 RDP 满足差分隐私。之后，我们采用非线性拉格朗日乘子（LM）方法来解决约束优化问题，即在给定的面部特征隐私预算下，最大化经过去噪处理后的受保护面部图像的可视化质量效用。接着，我们提出了两种方法来解决非线性 LM 问题并获得最优噪声尺度参数：1）解析归一化近似（NA）方法，使用相同的平均噪声尺度参数，适用于实时在线应用；2）LM 梯度下降（LMGD）数值方法，通过迭代更新获得非线性解，适用于更精确的离线应用。在两个真实数据集上的实验结果表明，我们提出的 RDP 优于其他最先进的方法：在隐私预算为 0.2 时，RDP 的 PSNR（峰值信噪比）比所有对比方法中最高的 PSNR 高出约 10 dB（即为其 10 倍）。