Segue：面向现实世界人脸隐私保护的侧信息引导生成式不可学样本
密码学与安全
2023-10-26 v1 计算机视觉与模式识别
摘要
人脸识别技术的广泛应用引发了隐私担忧，许多人担心其面部数据被收集和利用。为应对这些担忧，研究者正积极探索“不可学样本”概念，即在模型训练阶段向数据添加不可感知扰动，以阻止模型学习目标人脸的判别特征。然而，现有方法效率低下，且无法同时保证可迁移性与鲁棒性，导致在现实世界中不实用。为此，我们提出一种称为Segue的新方法：侧信息引导生成式不可学样本。具体而言，我们利用一次训练多次使用的模型生成所需扰动，而非耗时的基于梯度的方法。为提升可迁移性，我们引入真实标签与伪标签等侧信息，其在不同场景中本质一致。为增强鲁棒性，在训练流程中集成失真层。大量实验表明，所提Segue比先前方法快得多（1000），并在不同数据集与模型架构间实现可迁移有效性。此外，其可抵抗JPEG压缩、对抗训练及一些标准数据增强。
引用
@article{arxiv.2310.16061,
title = {Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World},
author = {Zhiling Zhang and Jie Zhang and Kui Zhang and Wenbo Zhou and Weiming Zhang and Nenghai Yu},
journal= {arXiv preprint arXiv:2310.16061},
year = {2023}
}