面向部署时隐私保护的热图人群计数
计算机视觉与模式识别
2026-05-19 v1
摘要
虽然 RGB-热图人群计数显示出前景，但该范式面临关键局限：RGB 数据在公共监视中引发隐私问题，多模态错位降低融合性能。我们提出首个专为隐私友好型人群计数设计的热图唯一框架，消除推理时对 RGB 的依赖，显著减少在公共监视部署中持续 RGB 捕获带来的隐私暴露。为缓解热图歧义，我们利用深度到 RGB 扩散模型作为跨模态桥梁，提取判别性特征以增强热图表示。关键在于，我们证明单步 LCM 去噪能产生最忠实于深度条件信号结构内容的特征，而多步方法会逐渐分离特征与条件输入，累积误差导致计数精度下降。在 RGBT-CC 和 DroneRGBT 数据集上的实验表明，我们的方法在各种情景下均实现了与基于联邦学习的方法的有竞争力的性能，仅使用热图输入即可完成推理，消除了在现实世界监视部署中持续 RGB 捕获——即主要隐私顾虑——的需求。代码将公开发布。
引用
@article{arxiv.2605.17042,
title = {Thermal-Only Crowd Counting with Deployment-Time Privacy Protection},
author = {Yifei Qian and Zhongliang Guo and Chun Tong Lei and Bowen Deng and Chun Pong Lau and Xiaopeng Hong and Michael P. Pound},
journal= {arXiv preprint arXiv:2605.17042},
year = {2026}
}