面部隐私保护的3D-Aware对抗性化生成

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 网络安全 网络安全

背景情况:

• 社交媒体对面部数据构成重大隐私风险,使其易受未经授权的访问和识别的影响.
• 目前用于保护面部数据的方法,如对抗性示例,往往导致图像质量差和可转移性有限,阻碍了现实世界的应用.
• 现有的面部识别 (FR) 系统缺乏对复杂的隐私攻击的强有力的防御.

研究的目的:

• 开发一种新的方法来产生高质量和可转移的对抗化,以隐藏身份信息.
• 提高面部数据隐私在恶意面部识别系统中的稳定性.
• 在图像质量和可转移性方面解决现有的对抗性示例的局限性.

主要方法:

• 提出了一个3D-Aware对抗化生成生成的对抗网络 (3DAM-GAN).
• 设计了一个基于紫外线的发电机,配有化调整模块 (MAM) 和化转移模块 (MTM),利用面部对称.
• 实施了一种化攻击机制,并采用了一种合奏训练策略,以提高对黑子模型的可转移性.

主要成果:

• 3DAM-GAN生成现实的和强大的合成化品,用于隐藏身份.
• 提出的方法显著提高了对抗性示例的质量和可转移性.
• 对最先进的商业面部识别模型和API进行有效保护.

结论:

• 3DAM-GAN为增强社交媒体上面部数据隐私提供了一个有前途的解决方案.
• 该方法提供了一种实际的方法来保护身份免受未经授权的面部识别.
• 对抗构成的改进可转移性和质量为保护隐私的人工智能应用开辟了新的途径.