Privacy-preserving Optics for Enhancing Protection in Face De-identification

现代摄像头使用的激增以及广泛应用的计算机视觉技术引发了重大的隐私和安全问题。当前的人工智能技术有助于识别相关事件并协助家庭、办公室、医院等日常任务，但为此需要访问或处理个人信息，这引起了隐私问题。虽然软件级别的解决方案如脸部去识别提供了良好的隐私/效用权衡，但它们会对嗅探攻击造成漏洞。在本文中，我们提出了一种硬件级别的脸部去识别方法来解决这个漏洞。具体而言，我们的方法首先学习一个光学编码器和一个回归模型，以获取面部热图，同时隐藏源图像中的面部身份信息。我们还提出了一个匿名化框架，使用保护隐私的图像、面部热图和公共数据集中的参考面部图像作为输入来生成一个新的面部。我们通过广泛的模拟和硬件实验验证了我们的方法。

论文尝试解决摄像头使用和计算机视觉技术应用带来的隐私和安全问题，提出了硬件级别的人脸去识别方法。

论文的关键思路是使用光学编码器和回归模型学习人脸热图，从而在隐藏人脸身份的同时保留人脸的特征。并且提出了一个匿名化框架，利用隐私保护图像、人脸热图和公共数据集中的参考人脸图像生成新的人脸。

论文还提出了一个匿名化框架，使用公共数据集中的参考人脸图像生成新的人脸。论文使用了大量的模拟和硬件实验来验证方法的有效性。此外，硬件级别的人脸去识别方法比软件级别的方法更加安全。论文还提出了未来工作的方向，例如如何在多个相机和多个场景中应用该方法。

最近的相关研究包括《基于深度学习的人脸去识别方法》、《基于图像处理的人脸匿名化方法》等。