基于CycleGAN的图像隐私保护

社交媒体和云平台为图像的传播和存储带来了便利,但同时也引起了人们对于图像隐私的担忧。因此,需要采取一定的措施去保护图像的隐私,以防止隐私被窃取和非法使用。基于上述目标,本文提出了基于循环对抗网络(cycle-consistent generative adversarial networks,CycleGAN)的图像隐私保护。为了在图像隐私保护中兼顾可用性,该方法先用图像分割和CycleGAN组合,选择出不同的分割系数来辅助生成不同程度的隐私保护图像。然后利用可逆信息隐藏对生成的隐私保护图像进行信息的嵌入,从而阻止非法使用者在图像重构中提取隐私信息,进而保证了整个过程图像隐私保护和可用性的平衡。本文用PIPA数据集对该方法进行训练和测试,采用峰值信噪比和结构相似性指数作为客观指标对隐私保护的图像进行评估。实验结果表明,本方案在图像隐私保护和可用性两方面都优于其他对比方案。

基于自适应掩码和生成式修复的图像隐私保护技术

针对现有图像保护技术中全图加密增加计算成本和区域遮挡无法判定多目标等问题,提出基于自适应掩码和生成式修复的图像保护框架。该框架采用Score-CAM(class activation mapping)技术自适应判别图像的核心区域,准确生成多目标核心区域掩膜;采用遮挡方法保护图像隐私来降低计算开销;引入区域感知的CAM损失函数,确保修复图像重点区域的一致性。将有遮挡的图像送入修复网络进行训练,对训练好的网络参数进行椭圆加密;在发送阶段将掩码图像和密钥分开发送,接收端通过密钥解密,Shift-Net网络载入参数对掩码图像进行准确修复。在ImageNet数据集中的试验表明,CAM损失函数的修复模型使得生成图像的结构相似性指标提高了0.2%、学习感知图像块相似度降低了0.2%。本研究在接收端自适应对图像重点区域进行掩码,使得识别模型失效进而保护图像隐私。

差分隐私结合GAN的图像数据保护方法仿真

图像数据的过度挖掘会对图像隐私性带来影响,使得数据被泄露或滥用的风险不断增加。为避免图像隐私数据泄露,提出差分隐私结合GAN的图像隐私数据保护算法研究。针对当前图像数据参杂的不确定性,通过对图像数据清洗,获取的图像重要隐私区域,有利于后续噪声的加入,便于实现图像隐私数据的保护;根据差分隐私与生成对抗网络(Generative Adversarial Networks, GAN)结合,构建图像数据差分隐私保护的GAN模型,依据拉普拉斯实现机制,对清洗后的图像数据扰动,达到隐私数据保护的目的;由于模型在迭代期间会对图像数据隐私性产生侵犯,所以进一步对图像隐私性侵犯程度度量,令上述算法在实际应用时有效兼顾图像隐藏数据的安全性及隐私性。实验结果表明,所提方法对图像的加密和解密时间短,且隐私性高。

面向多层压缩感知图像的内容隐私保护度评价方法

图像隐私保护主要应用于云计算领域,而针对图像或视频的识别任务一般需要其视觉可见,因而往往忽略了隐私保护问题。为了解决这类问题,受到基于压缩感知(compressed sensing,CS)的稀疏表示分类识别算法对于遮挡或污染图像具有较强鲁棒性的启发,提出了一种单层CS采样的扩展模型,使得经过多层CS采样编码后的图像虽然质量退化、内容逐渐变得不可辨别,但依然能够用于图像识别,达到视觉隐私保护的目的。为了能够对多层CS采样编码图像进行图像内容隐私保护度的有效评价,基于人类视觉系统(human visual system,HVS),利用多层CS图像对比度和图像视觉结构退化的特点,通过度量图像对比度和提取图像局部二进制模式(local binary pattern, LBP)特征,提出了面向多层CS图像的内容隐私保护度评价模型(MCS-CPPE)。通过在构造的三大数据集上进行与人眼视觉相关性的实验,验证了所提出的模型有较好的预测性能和效果。