重构视觉隐私：面向严重性评估的组合隐私风险框架与 VLMs
计算机视觉与模式识别
2026-03-24 v1
摘要
现有的视觉隐私基准基本将隐私视为二元属性，依据可见敏感内容将图像标记为私有或非私有。我们认为隐私本质上是组合性的。单独看起来无害的属性可能组合产生严重的隐私违规。我们提出了组合隐私风险分类学（CPRT），一个符合监管要求的框架，依据独立可识别性和组合性危害潜力组织视觉属性。CPRT 定义四个分级严重性等级，并配备可解释的评分函数，对连续隐私严重性评分进行赋值。我们进一步构建了一个规模为 6.7K 图像的分类学对齐数据集，推导出基于组合风险的 ground-truth 评分。通过评估前沿和开源 VLMs，我们发现前沿模型在提供结构化指导时与组合严重性一致，但系统性低估组合驱动的风险。较小的模型难以内化分级隐私推理。为弥合这一差距，我们引入了一个可部署的 8B 参数监督微调（SFT）模型，能够在组合隐私评估方面接近前沿水平性能。
引用
@article{arxiv.2603.21573,
title = {Rethinking Visual Privacy: A Compositional Privacy Risk Framework for Severity Assessment with VLMs},
author = {Efthymios Tsaprazlis and Tiantian Feng and Anil Ramakrishna and Sai Praneeth Karimireddy and Rahul Gupta and Shrikanth Narayanan},
journal= {arXiv preprint arXiv:2603.21573},
year = {2026}
}