論文の概要: VOIDFace: A Privacy-Preserving Multi-Network Face Recognition With Enhanced Security
- arxiv url: http://arxiv.org/abs/2508.07960v1
- Date: Mon, 11 Aug 2025 13:15:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:29.110502
- Title: VOIDFace: A Privacy-Preserving Multi-Network Face Recognition With Enhanced Security
- Title（参考訳）: VOIDFace:セキュリティを強化したプライバシー保護型マルチネットワーク顔認識
- Authors: Ajnas Muhammed, Iurri Medvedev, Nuno Gonçalves,
- Abstract要約: 本稿では,顔認識システムのための新しいフレームワークVOIDFaceを紹介する。
データレプリケーションの必要性を排除し、ビジュアルシークレット共有を使用することで、トレーニング用の顔データをセキュアに保存するデータ制御を改善している。
顔認識トレーニングのプライバシー、セキュリティ、効率を改善すると同時に、機密性の高い顔データに対するコントロールを強化することを目的としている。
- 参考スコア（独自算出の注目度）: 1.3654846342364308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advancement of machine learning techniques, combined with the availability of large-scale datasets, has significantly improved the accuracy and efficiency of facial recognition. Modern facial recognition systems are trained using large face datasets collected from diverse individuals or public repositories. However, for training, these datasets are often replicated and stored in multiple workstations, resulting in data replication, which complicates database management and oversight. Currently, once a user submits their face for dataset preparation, they lose control over how their data is used, raising significant privacy and ethical concerns. This paper introduces VOIDFace, a novel framework for facial recognition systems that addresses two major issues. First, it eliminates the need of data replication and improves data control to securely store training face data by using visual secret sharing. Second, it proposes a patch-based multi-training network that uses this novel training data storage mechanism to develop a robust, privacy-preserving facial recognition system. By integrating these advancements, VOIDFace aims to improve the privacy, security, and efficiency of facial recognition training, while ensuring greater control over sensitive personal face data. VOIDFace also enables users to exercise their Right-To-Be-Forgotten property to control their personal data. Experimental evaluations on the VGGFace2 dataset show that VOIDFace provides Right-To-Be-Forgotten, improved data control, security, and privacy while maintaining competitive facial recognition performance. Code is available at: https://github.com/ajnasmuhammed89/VOIDFace
- Abstract（参考訳）: 機械学習技術の進歩と大規模データセットの可用性は、顔認識の精度と効率を大幅に改善した。
現代の顔認識システムは、多様な個人または公開リポジトリから収集された大きな顔データセットを使用して訓練されている。
しかしながら、トレーニングでは、これらのデータセットは複製され、複数のワークステーションに格納されることが多く、結果としてデータレプリケーションが発生し、データベースの管理と監視が複雑になる。
現在、ユーザーがデータセットの準備のために顔を提出すると、データの使い方をコントロールできなくなり、プライバシーと倫理上の懸念が高まる。
本稿では,2つの問題に対処する顔認識システムのための新しいフレームワークVOIDFaceを紹介する。
まず、データ複製の必要性を排除し、ビジュアルな秘密の共有を使用して、トレーニング済みの顔データを安全に保存するデータ制御を改善します。
第二に、この新しいトレーニングデータストレージ機構を使用して、堅牢でプライバシーを保護した顔認識システムを開発するパッチベースのマルチトレーニングネットワークを提案する。
これらの進歩を統合することで、VOIDFaceは顔認識トレーニングのプライバシ、セキュリティ、効率を向上させると同時に、機密性の高い顔データに対するコントロールを強化することを目指している。
VOIDFaceは、ユーザーが自分の個人データを制御するために、自分の右から左へのプロパティを行使することを可能にする。
VGGFace2データセットの実験的評価によると、VOIDFaceは、競争力のある顔認識性能を維持しながら、Right-To-Be-Forgottenを提供し、データ制御、セキュリティ、プライバシを改善している。
https://github.com/ajnasmuhammed89/VOIDFace
関連論文リスト
- G2Face: High-Fidelity Reversible Face Anonymization via Generative and Geometric Priors [71.69161292330504]
可逆顔匿名化(Reversible face anonymization)は、顔画像の繊細なアイデンティティ情報を、合成された代替品に置き換えようとしている。
本稿では,Gtextsuperscript2Faceを提案する。
提案手法は,高データの有効性を保ちながら,顔の匿名化と回復において既存の最先端技術よりも優れる。
論文 参考訳（メタデータ） (2024-08-18T12:36:47Z) - Privacy-preserving Optics for Enhancing Protection in Face De-identification [60.110274007388135]
この脆弱性を解決するために,ハードウェアレベルの顔識別手法を提案する。
また、プライバシ保存画像、フェイスヒートマップ、およびパブリックデータセットからの参照顔イメージを入力として、新しい顔を生成する匿名化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-31T19:28:04Z) - Facial Data Minimization: Shallow Model as Your Privacy Filter [44.21738197282953]
近年,顔データ漏洩によるセキュリティやプライバシの問題が数多く発生している。
本稿では,データプライバシ最小化変換(PMT)手法を提案する。
PMTは、認可されたサービスの浅いモデルに基づいて元の顔データを処理し、難読化されたデータを得る。
論文 参考訳（メタデータ） (2023-10-24T07:54:39Z) - Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。
具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。
本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
論文 参考訳（メタデータ） (2023-09-11T09:26:07Z) - How to Boost Face Recognition with StyleGAN? [13.067766076889995]
最先端の顔認識システムは大量のラベル付きトレーニングデータを必要とする。
業界における自己監督的革命は、関連する技術が顔認識に適応する研究を動機付けている。
StyleGANのための微調整pSpエンコーダに基づく簡単なアプローチにより、最先端の顔認識を改善することができることを示す。
論文 参考訳（メタデータ） (2022-10-18T18:41:56Z) - Hiding Visual Information via Obfuscating Adversarial Perturbations [47.315523613407244]
本稿では,データの視覚的プライバシを保護するために,敵対的な視覚情報隠蔽手法を提案する。
具体的には、データの視覚情報を隠蔽する難読化対向摂動を生成する。
認識・分類タスクの実験結果から,提案手法が視覚情報を効果的に隠蔽できることが示唆された。
論文 参考訳（メタデータ） (2022-09-30T08:23:26Z) - FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders [81.21440457805932]
顔のプライバシと認識性能を同時に考慮する新しいフレームワークFaceMAEを提案する。
ランダムにマスクされた顔画像は、FaceMAEの再構築モジュールのトレーニングに使用される。
また、いくつかの公開顔データセット上で十分なプライバシー保護顔認証を行う。
論文 参考訳（メタデータ） (2022-05-23T07:19:42Z) - Masked Face Recognition for Secure Authentication [2.429066522170765]
マスクされた顔は検出と認識が難しいため、社内データセットを無効にする恐れがある。
マスクされた顔の大規模なデータセットを効果的に作成するためのオープンソースのツールであるMaskTheFaceを提案する。
Facenet システムでは 38% の増加がみられた。
論文 参考訳（メタデータ） (2020-08-25T15:33:59Z) - Investigating the Impact of Inclusion in Face Recognition Training Data
on Individual Face Identification [93.5538147928669]
最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。
モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
論文 参考訳（メタデータ） (2020-01-09T15:50:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。