Region of Interest Loss for Anonymizing Learned Image Compression

在公共场所使用人工智能技术不断引发隐私和敏感数据保护方面的担忧。例如，在对人类进行检测和识别的过程中，监控摄像头提供图像。这会导致大量敏感数据的获取，因为这些摄像头拍摄的图像经过不加修改的传输，以便它们能够被网络上的服务器接收。然而，许多应用程序并不明确要求给定场景中某个人的身份；只需提供一个匿名化的表示形式，其中包含该人的位置信息，同时保留其在场景中的上下文即可。我们展示了如何使用区域兴趣（ROI）上的定制损失函数，通过训练端到端优化的自动编码器来实现足够的匿名化，从而使人脸不可识别，同时保持人物可检测。该自动编码器用于学习图像压缩，利用了学习分析和重构变换的灵活性，以便于在压缩结果的某些部分进行突变。这种方法使压缩和匿名化一步完成，而不是通过网络传输敏感的、非匿名化的数据。此外，我们评估了这种匿名化对于预训练基础模型（MTCNN和YOLOv8）在检测面部和人类方面的平均精度的影响，同时考虑了压缩率和延迟。

解决使用AI在公共场所进行人脸检测和识别时涉及的隐私和敏感数据保护问题，提出一种基于ROI的压缩和匿名化方法

通过训练一个端到端的自编码器来实现压缩和匿名化，使用自定义的ROI损失函数来保留人的位置信息同时使人脸不可识别

实验结果表明该方法可以在不泄露敏感数据的情况下进行压缩和匿名化，同时保持人的可检测性，且对预训练基础模型的检测精度影响较小

最近相关研究包括：1.《Privacy-Preserving Face Recognition: A Survey》；2.《Privacy-Preserving Deep Learning: A Review》