[论文解读] AnonymousNet: Natural Face De-Identification with Measurable Privacy

Tao Li, Lei Lin|arXiv (Cornell University)|Apr 19, 2019

Face recognition and analysis参考文献 59被引用 13

一句话总结

AnonymousNet 是一个四阶段的深度学习框架，通过结合面部属性估计、基于隐私度量的混淆技术、基于生成对抗网络（GAN）的图像生成以及对抗性扰动，实现自然、照片级真实的面部去标识化。该方法在保持最先进图像质量的同时，通过 k-匿名性与 t-接近度等正式度量实现了可衡量、可控制的隐私保护。

ABSTRACT

With billions of personal images being generated from social media and cameras of all sorts on a daily basis, security and privacy are unprecedentedly challenged. Although extensive attempts have been made, existing face image de-identification techniques are either insufficient in photo-reality or incapable of balancing privacy and usability qualitatively and quantitatively, i.e., they fail to answer counterfactual questions such as "is it private now?", "how private is it?", and "can it be more private?" In this paper, we propose a novel framework called AnonymousNet, with an effort to address these issues systematically, balance usability, and enhance privacy in a natural and measurable manner. The framework encompasses four stages: facial attribute estimation, privacy-metric-oriented face obfuscation, directed natural image synthesis, and adversarial perturbation. Not only do we achieve the state-of-the-arts in terms of image quality and attribute prediction accuracy, we are also the first to show that facial privacy is measurable, can be factorized, and accordingly be manipulated in a photo-realistic fashion to fulfill different requirements and application scenarios. Experiments further demonstrate the effectiveness of the proposed framework.

研究动机与目标

• 解决现有面部去标识化方法在隐私与可用性之间缺乏定量与定性平衡的问题。
• 通过在面部混淆背景下形式化 k-匿名性、l-多样性与 t-接近度等隐私度量，实现可衡量的面部隐私保护。
• 生成保持语义属性的同时确保去标识化的照片级真实、身份已更改的图像。
• 通过通用对抗性扰动提升对恶意深度学习检测器的鲁棒性。
• 提供可调节的框架，使隐私级别可根据具体应用场景需求进行调整。

提出的方法

• 使用深度卷积神经网络（CNN）进行面部属性估计，以提取性别、年龄、发色等语义特征。
• 应用面向隐私度量的属性选择机制，基于 k-匿名性与 t-接近度等正式隐私定义，对敏感属性进行修改。
• 采用带有残差块与转置卷积的 GAN 生成器，合成照片级真实、身份已更改的面部图像，同时保留非敏感属性。
• 使用 PatchGAN 判别器实现真实图像生成，并进行二值化的局部图像块真实/虚假分类。
• 引入通用对抗性扰动，以降低外部深度学习检测器的性能，同时保持人类感知无明显退化。
• 将所有阶段整合为一个端到端框架，实现可控制、可衡量且自然的面部去标识化。

实验结果

研究问题

• RQ1 能否在图像混淆背景下，利用 k-匿名性与 t-接近度等正式隐私度量对面部隐私进行测量与量化？
• RQ2 深度学习框架能否生成保持可用性的同时确保身份去标识化的照片级真实面部图像？
• RQ3 对抗性扰动在多大程度上可增强对基于深度学习的人脸识别系统的抵抗能力？
• RQ4 不同面部属性在可区分性上存在何种差异？这一差异能否为隐私控制提供系统性方法支持？
• RQ5 该框架能否在多样化应用场景中支持可调节的隐私级别，并实现可衡量的结果？

主要发现

• AnonymousNet 实现了最先进图像质量，PSNR 达 20.079，SSIM 为 0.7894，MS-SSIM 为 0.8650，优于模糊、像素化、掩码与图像修复等方法。
• 该框架在保持感知自然外观的同时成功实现面部去标识化，视觉对比与定性结果已验证其有效性。
• 即使放大后，引入的对抗性扰动在视觉上仍可忽略不计，表明感知退化极小。
• 该方法通过允许用户利用 k-匿名性与 t-接近度等正式度量控制隐私级别，实现了可衡量的隐私保护。
• 该框架支持可控的属性修改——例如改变性别、发色或唇色——同时在去标识化图像对中保持眼距等属性的一致性。
• 实验结果证实该方法在隐私与可用性之间实现良好平衡，可回答反事实问题如‘现在是否已足够私密？’与‘它有多私密？’