保护隐私的CNN推断图像超分辨率交叉多个加密文本

科学领域:

• 计算机视觉 计算机视觉
• 密码学 密码学 密码学 密码学
• 机器学习 机器学习

背景情况:

• 在线图像超分辨率 (SR) 服务很受欢迎,但由于纯文本图像曝光,会带来隐私风险.
• 由于输出分辨率的增加,现有的安全CNN推断方法不适合SR.
• 在SR处理过程中保护敏感图像数据是一个关键的挑战.

研究的目的:

• 为基于卷积神经网络 (CNN) 的图像超分辨率开发一个保护隐私的方案.
• 为了实现图像SR应用程序的安全推断,而不会影响数据隐私.
• 为了提高安全图像SR的效率和实用性.

主要方法:

• 一种新的多重加密文本封装方法,用于在图像SR中安全的CNN推断.
• 在密码文本中设计基本的同态运算 (加法,乘法,旋转).
• 开发一种快速,安全的上采样算法,使用预权重区块掩盖和交叉密码文本旋转.
• 实现一个高效的批量同态2D卷积与内核优化.
• 为SR任务量身定制的多项式激活函数的创建.

主要成果:

• 拟议的HE友好型SR网络与现有的安全解决方案相比,表现出卓越的性能.
• 多重加密文本封装技术在计算效率上至少提高了2倍.
• 使用新的封装方法观察到显著减少内存使用.
• 安全的上采样算法比直接的同态上采样提供了相当大的加速.

结论:

• 开发的方案有效地解决了在线图像SR服务中的隐私问题.
• 这些新技术为安全的图像超分辨率提供了实用和高效的解决方案.
• 这项工作为更安全和私有的人工智能驱动的图像增强应用铺平了道路.