通过类噪声对抗样本实现可恢复隐私保护图像分类
计算机视觉与模式识别
2023-10-20 v1
摘要
随着云计算平台的日益普及，在基于云的图像相关服务（如分类）中确保数据隐私变得至关重要。在本研究中，我们提出了一种新颖的隐私保护图像分类方案，该方案使得在明文域训练的分类器能够直接应用于分类加密图像，而无需重新训练专用分类器。此外，加密图像可使用秘密密钥以高保真度（可恢复）解密回其原始形式。具体而言，我们提出的方案涉及利用特征提取器和编码器通过新设计的类噪声对抗样本（NAE）来掩盖明文图像。这种 NAE 不仅为加密图像引入类噪声的视觉外观，还迫使目标分类器将密文预测为与原始明文图像相同的标签。在解码阶段，我们采用对称残差学习（SRL）框架以最小退化恢复明文图像。大量实验表明：1）在明文域训练的分类器的分类精度在密文域和明文域中保持一致；2）加密图像可恢复为原始形式，SVHN 数据集平均 PSNR 高达 51+ dB，VGGFace2 数据集高达 48+ dB；3）我们的系统在与训练集不同的数据集上的加密、解密和分类任务中表现出令人满意的泛化能力；4）针对三种潜在威胁模型实现了高水平的安全性。代码可在 https://github.com/csjunjun/RIC.git 获取。
引用
@article{arxiv.2310.12707,
title = {Recoverable Privacy-Preserving Image Classification through Noise-like Adversarial Examples},
author = {Jun Liu and Jiantao Zhou and Jinyu Tian and Weiwei Sun},
journal= {arXiv preprint arXiv:2310.12707},
year = {2023}
}
备注
23 pages, 9 figures