[论文解读] DeepBlur: A Simple and Effective Method for Natural Image Obfuscation

Tao Li, Min S. Choi|arXiv (Cornell University)|Mar 31, 2021

Digital Media Forensic Detection参考文献 50被引用 6

一句话总结

DeepBlur 提出了一种新颖的图像混淆方法，通过在预训练生成模型的潜在空间中应用模糊处理，在有效防止人类和深度学习系统进行人脸识别的同时，保持了较高的图像质量。该方法通过利用潜在空间平滑和优化的潜在表征搜索，以极低的计算成本实现了卓越的防御性能。

ABSTRACT

There is a growing privacy concern due to the popularity of social media and surveillance systems, along with advances in face recognition software. However, established image obfuscation techniques are either vulnerable to re-identification attacks by human or deep learning models, insufficient in preserving image fidelity, or too computationally intensive to be practical. To tackle these issues, we present DeepBlur, a simple yet effective method for image obfuscation by blurring in the latent space of an unconditionally pre-trained generative model that is able to synthesize photo-realistic facial images. We compare it with existing methods by efficiency and image quality, and evaluate against both state-of-the-art deep learning models and industrial products (e.g., Face++, Microsoft face service). Experiments show that our method produces high quality outputs and is the strongest defense for most test cases.

研究动机与目标

• 应对广泛图像分享和先进人脸识别系统带来的日益增长的隐私威胁。
• 克服传统混淆方法（如像素化和高斯模糊）在深度学习驱动的重新识别攻击下易受攻击的局限性。
• 开发一种在保持高感知图像质量的同时，计算效率高且对人类和机器攻击者均有效的防御方法。
• 提供一种不依赖于攻击者模型或识别系统假设的防御机制。

提出的方法

• 使用无条件预训练的生成模型（例如 StyleGAN）生成逼真的面部图像。
• 在潜在空间编码前对输入图像进行人脸对齐和归一化处理。
• 通过可微分的图像重建损失，优化得到能够重建输入人脸的潜在码。
• 在潜在空间中应用低通滤波器（例如高斯滤波），以平滑与身份相关的关键特征，生成“深度模糊”表示。
• 通过相同的生成模型解码平滑后的潜在码，生成最终的混淆图像。
• 使用二阶优化方法（例如 L-BFGS）实现快速且稳定的潜在码搜索，初始化时采用“平均人脸”潜在码以加快收敛速度。

实验结果

研究问题

• RQ1 在预训练的 GAN 中对潜在空间进行模糊处理，是否能比传统图像模糊或像素化方法提供更强的对抗深度学习人脸识别的防御能力？
• RQ2 DeepBlur 是否能在有效隐藏身份的同时，保持高感知图像质量，即使面对对抗性识别尝试？
• RQ3 DeepBlur 在应对人类观察者和最先进的商业人脸识别 API（例如 Face++、Microsoft Face Service）方面表现如何？
• RQ4 与基于 GAN 的编辑或对抗性扰动方法相比，DeepBlur 的计算效率如何？
• RQ5 潜在空间平滑是否能以语义级别自动去除遮挡物（如口罩、配饰）等伪影，而无需人工干预？

主要发现

• DeepBlur 在抵抗深度学习模型和人类观察者识别方面，优于传统的高斯模糊、像素化、掩码和对抗性噪声等方法。
• 该方法实现了高感知图像质量，视觉退化极小，经定性对比和用户研究验证。
• 实验表明，DeepBlur 在大多数测试场景下均为最强防御方案，包括对 Face++ 和 Microsoft Face API 等工业级人脸识别服务的防护。
• L-BFGS 优化使潜在码搜索实现快速收敛，仅需约 10 次优化步骤即可获得几乎相同的重建结果。
• 潜在空间中的深度模糊可语义性地去除正面人脸中的水印、头发或袖口等伪影，表明 GAN 潜在空间具有连续性和线性特性。
• 在潜在空间中使用极大核尺寸可生成几乎与输入无关的“平均人脸”，证实了潜在空间的平滑性与结构特性。