人工智能基于对抗扰动噪声对面部属性进行匿名化解决隐私威胁（特约点评：基于对抗扰动噪声对面部属性进行匿名化解决隐私威胁对于人脸的多属性转移有很好的指导意义，这个创新点必须推荐。来自网友大鹏的推荐！）

人工智能基于对抗扰动噪声对面部属性进行匿名化解决隐私威胁简介：人脸分析一直是几十年来的研究热点，研究人员试图回答从身份预测到情感识别[Li et al。，2016]以及属性预测等重要问题，。重点研究工作和深度学习模型的使用已经导致了面部分析涉及的任务的高性能。例如，YouTube Faces 和Point and Shoot Change 数据库的最新成果分别超过95％和97％，并且Celeb-A数据库上的属性识别超过90％。虽然这些高精度有几个优点，但也会对个人隐私构成威胁。如图1所示，可以根据个人资料或社交媒体图像预测几种面部属性，如年龄，性别和种族。在最近的一项研究中，Wang和Kosinksi预测了“心脏的秘密”，例如从人脸图像预测性取向[Wang and Kosinski，2017]。他们报道81％的准确性用于区分同性恋和异性恋男性，并获得74％的准确性。同样，通过从简介和社交媒体照片中预测性别和年龄的定向广告已成为过去几年的研究主题。

通过这些观察，在这项研究中，我们提出了一个重要问题：“我们是否可以将隐私保护的某些属性匿名化，并愚弄自动预测的自动方法？”这个问题的答案涉及k-匿名文献，其中每个个体不能与k 1个体相区分[Sweeney，2002]。它不同于在属性匿名化过程中，某些属性要被保留时被抑制/匿名化的事实。例如，如果图像上传到驾驶执照数据库以确定身份，则不应将其用于任何其他面部分析，但身份匹配除外。

在文献中，从两个角度研究了面部图像中的隐私保护。研究人员在隐私保护生物特征识别方面研究了这个问题，而其他人则称其为属性抑制。如上所述，脸部图像揭示了许多用户可能不同意的辅助信息。为了保护这些辅助信息（软生物特征识别），研究人员提出了几种不同的方法。 [Boyle et al。，2000]开发了一种算法来模糊和像素化视频中的图像。 [Newton等人，2005]已经开发了一种用于视频监视中的人脸去识别的算法，以便在保留其他面部细节的同时人脸识别失败。 [Gross等人，2006]已经表明，通过模糊和像素化方法使图像失真效果不佳。为了改善结果，他们提出了基于模型的隐私保护的人脸识别方法。一些研究人员也研究了软生物特性的隐私问题。 [Othman和Ross，2014]提出了属性隐私保护技术，其中软性生物特征属性（如性别）在保留标识符的同时被“翻转”用于脸部识别。为了翻转性别，使用人脸变形方案，其中相反的性别的人脸与输入图像变形。作为这项工作的延伸，[Mirjalili和Ross，2017]和[Mirjalili等，2017]提出了Delaunay三角测量法和基于卷积自动编码器的方法，在保留人脸特性的同时翻转性别信息。 [Suo等人，2011]提出了一种图像融合框架，其中将异性人脸图像的模板与候选图像进行融合，同时保留人脸身份。 [Jourabloo等，2015]已经开发了一种在保留其他属性的同时识别人脸图像的算法。对于属性保留，它使用共享相同属性进行融合的k个图像（由k-Same驱动）。 [Sim和Zhang，2015]提出了一种独立控制身份变化并保留其他面部属性的方法。它将面部属性信息分解成不同的子空间以独立控制这些属性。

人工智能基于对抗扰动噪声对面部属性进行匿名化解决隐私威胁贡献：为了匿名化人脸属性，[Rozsa等，2017]提出了基于深度学习的人脸属性预测模型。对每个属性分别训练深卷积神经网络，为了测试训练模型的鲁棒性，使用快速翻转属性（FFA）技术生成对抗图像。作为他们工作的延伸[Rozsa等，2016]已经使用了FFA，并生成了面部属性翻转的敌对图像。他们已经观察到，在翻转目标属性的同时，少数属性会受到影响。例如，在改变“口红”的属性的同时，其他属性如“吸引”和“浓妆”也会翻转。基于文献综述，我们观察到有单属性匿名算法。但是，匿名化多个属性存在三大挑战。

1.在匿名化脸部属性的同时，原始图像和匿名图像之间应该没有视觉差异。2.选择性地匿名少数并保留一些属性需要“控制”机制。例如，性别和表情可以匿名化，同时保留种族和眼睛的颜色以及其他属性，如诱惑力和头发颜色可能处于“无所谓”状态。3.在涉及匹配识别面孔的应用中，身份应在匿名属性时保留。

这些方法的主要局限性在于它们没有解决上述前两个挑战。 现有与原始图像融合。 这种隐私保护功能会导致视觉外观的重大转变和损失。 [Rozsa等，2016]已经解决了这个问题，但由于缺乏任何控制机制，其他属性也受到抑制，同时抑制了一个属性。该研究提出了一种利用对抗性扰动来保护隐私的k属性匿名化算法。 所提出的算法联合匿名化并保留多个面部属性而不影响图像的视觉外观。 所提出的算法也被扩展用于身份保持k属性匿名化。 对三个数据库进行实验并与现有技术进行比较，可以看出该算法的有效性。

人工智能基于对抗扰动噪声对面部属性进行匿名化解决隐私威胁算法分析：问题陈述可以正式定义为：“创建一个图像，以便保留一组预定义属性，同时抑制另一组预定义属性”。 如图3所示，所提出的算法可以将某些属性的预测输出从真实类别改变为不同的目标类别。 该算法的详细描述如下：

人工智能基于对抗扰动噪声对面部属性进行匿名化解决隐私威胁结论：属性匿名化同时保留身份有几个隐私保护应用程序。 本文提出了一种基于对抗噪声加法概念的新算法，选择的属性（或特征）是匿名的，选择的属性（包括身份信息）被保存用于自动处理。 在CelebA，LFWcrop和MUCT数据库上进行了三种不同应用场景的实验。 结果表明，该算法能够处理多属性匿名化过程，而不会影响视觉外观和人脸识别性能。图5显示了“性别”，“有吸引力”，“微笑”，“重妆”和“高颧骨”五个属性的结果。“性别”，“有吸引力”和“微笑”其余两个被保留。置信度值（等式10中定义的'c'值）设置为0.1。在图5中，第一行和第二行直方图显示图像匿名化之前和之后的属性类评分分布。据观察，前三个属性“性别”，“有吸引力”和“微笑”的属性类得分分布被翻转，而“重妆”和“高颧骨”的得分分布得到保留。这说明了所提出的算法用于多属性抑制和保存的效用。图4显示了一个，三个和五个属性的原始和匿名图像。原始图像和修改后图像之间视觉外观的相似性进一步加强了该算法的使用。