SlerpFace: Face Template Protection via Spherical Linear Interpolation

现代人脸识别系统使用从人脸图像中提取的特征模板来识别个人。为增强隐私，人脸模板保护技术被广泛应用于隐藏存储在模板中的敏感身份和外貌信息。本文确定了一种新兴的隐私攻击形式，利用扩散模型可以使之前的保护无效，称为反演攻击。攻击可以从模板合成高质量的保留身份的人脸图像，揭示个人的外貌。基于扩散模型的生成能力研究，本文提出了一种防御方法，通过将模板旋转到类似噪声的分布来恶化攻击。这可以通过在它们所在的超球面上球形和线性插值模板（称为slerp）来高效实现。本文进一步提出将模板的特征维度分组且删除，以增强旋转模板的不可逆性。在每个组内学习组的划分和删除。所提出的技术被具体化为一种新颖的人脸模板保护技术SlerpFace。广泛的实验表明，SlerpFace提供了令人满意的识别准确性和全面的隐私保护，可以防御反演和其他攻击形式，优于现有技术。

本论文旨在解决人脸模板保护技术中存在的隐私攻击问题，即扩散模型攻击，该攻击可以从模板中合成高质量的人脸图像，揭示人们的外貌信息。

论文提出了一种新的人脸模板保护技术SlerpFace，通过将模板旋转到类似于噪声的分布来破坏攻击者的扩散模型攻击。该技术通过球形和线性插值（slerp）在定位的超球面上实现，同时还对模板的特征维度进行了分组和丢弃，以增强旋转后模板的不可逆性。

论文的实验结果表明，SlerpFace技术提供了令人满意的识别准确性和全面的隐私保护，优于现有技术。此外，论文还使用了多个数据集进行实验，并开源了代码。

最近的相关研究包括：'Face Template Protection Based on Deep Learning'，'Privacy-Preserving Face Recognition via Adversarial Perturbation and Filtering'等。