DeepBlur：一種簡(jiǎn)單有效的自然圖像模糊方法

點(diǎn)擊上方“AI算法與圖像處理”，選擇加"星標(biāo)"或“置頂”
重磅干貨，第一時(shí)間送達(dá)

摘要

由于社交媒體和監(jiān)控系統(tǒng)的普及，以及人臉識(shí)別軟件的進(jìn)步，人們對(duì)隱私的擔(dān)憂越來(lái)越大。然而，現(xiàn)有的圖像模糊技術(shù)要么容易受到人類或深度學(xué)習(xí)模型的再識(shí)別攻擊，要么在保持圖像保真度方面不夠，要么計(jì)算量太大，難以實(shí)現(xiàn)。為了解決這些問(wèn)題，我們提出了DeepBlur，這是一種簡(jiǎn)單而有效的圖像模糊方法，它通過(guò)無(wú)條件預(yù)先訓(xùn)練的生成模型的潛在空間進(jìn)行模糊處理，該模型能夠合成逼真的人臉圖像。我們通過(guò)效率和圖像質(zhì)量將其與現(xiàn)有的方法進(jìn)行比較，并與最先進(jìn)的深度學(xué)習(xí)模型和工業(yè)產(chǎn)品(例如，F(xiàn)ace++，微軟的Face服務(wù))進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果表明，該方法能夠產(chǎn)生高質(zhì)量的輸出，并且對(duì)大多數(shù)測(cè)試用例具有最強(qiáng)的防御能力。

我們認(rèn)為，與現(xiàn)有的方法相比，DeepBlur有以下優(yōu)點(diǎn)：

• 與傳統(tǒng)方法(如高斯模糊、像素化、掩蔽)相比，DeepBlur是一個(gè)更強(qiáng)的防御基于深度學(xué)習(xí)的識(shí)別系統(tǒng)，能夠產(chǎn)生更視覺(jué)上愉悅的結(jié)果；

• 與基于對(duì)抗性擾動(dòng)的方法相比，DeepBlur不需要假設(shè)攻擊者使用的特定神經(jīng)網(wǎng)絡(luò)或識(shí)別系統(tǒng)，可以抵御來(lái)自人類眾包和自動(dòng)系統(tǒng)的未經(jīng)授權(quán)的識(shí)別；

• 與基于gan的圖像編輯方法(例如，屬性編輯、人臉嵌入和替換)相比，DeepBlur通常產(chǎn)生更少的偽影(由于潛在空間的平滑效果)，并且在計(jì)算上更友好。

框架結(jié)構(gòu)

DeepBlur概述

給定一個(gè)任意的輸入，我們首先對(duì)圖像進(jìn)行裁剪、旋轉(zhuǎn)和對(duì)齊，然后將對(duì)齊后的人臉?biāo)腿雰?yōu)化管道(如圖3所示)，得到一個(gè)潛在的表示，該表示可以用生成神經(jīng)網(wǎng)絡(luò)合成幾乎相同的人臉。根據(jù)應(yīng)用場(chǎng)景(例如，所需的模糊級(jí)別)，我們將具有所需核大小的低通濾波器應(yīng)用于潛在表示，并再次提供生成模型的平滑對(duì)應(yīng)，從而產(chǎn)生深度模糊的結(jié)果。

圖3 潛在表示搜索的一般框架

實(shí)驗(yàn)結(jié)果

深度模糊圖像的例子

對(duì)于任意一幅人臉圖像，DeepBlur方法能夠在保持高視覺(jué)保真度的同時(shí)模糊身份，并且身份距離單調(diào)地隨著σ變大而增大。

潛表示搜索的例子

如圖3所示，我們將尋找圖像的潛在表示的任務(wù)形式化為一個(gè)優(yōu)化問(wèn)題。從GAN的平均人臉開(kāi)始(原文圖9)，我們使用L-BFGS算法[45]來(lái)尋找能夠最小化輸入圖像和生成對(duì)應(yīng)圖像之間損失的潛在表示。該算法收斂速度非?？?，通常10步后得到的潛在表示可以合成出與原始圖像相當(dāng)接近的圖像。

結(jié)論

最后，我們提出了一種簡(jiǎn)單而有效的自然圖像模糊方法DeepBlur。通過(guò)模糊生成模型的潛在空間，DeepBlur能夠改變圖像中的身份，同時(shí)保持高視覺(jué)質(zhì)量。我們對(duì)該方法進(jìn)行了定性和定量評(píng)估，并表明該方法對(duì)人類感知和最先進(jìn)的面部識(shí)別系統(tǒng)都是有效的。我們的實(shí)驗(yàn)表明，DeepBlur在圖像質(zhì)量、計(jì)算效率、對(duì)抗未授權(quán)識(shí)別攻擊的有效性或以上所有方面都比現(xiàn)有方法有優(yōu)勢(shì)。在未來(lái)，我們計(jì)劃將我們的方法擴(kuò)展到更廣泛的應(yīng)用。

論文鏈接：https://arxiv.org/pdf/2104.02655.pdf

個(gè)人微信（如果沒(méi)有備注不拉群！）
請(qǐng)注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱



下載1：何愷明頂會(huì)分享

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經(jīng)典工作的總結(jié)分析

下載2：終身受益的編程指南：Google編程風(fēng)格指南

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：c++，即可下載。歷經(jīng)十年考驗(yàn)，最權(quán)威的編程規(guī)范！

下載3 CVPR2021

在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：CVPR，即可下載1467篇CVPR 2020論文 和 CVPR 2021 最新論文