論文の概要: MIRAGE: Full-Body Bystander Privacy for Smart Glasses with Consent-Based Restoration
- arxiv url: http://arxiv.org/abs/2609.24537v1
- Date: Mon, 21 Sep 2026 13:09:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.293442
- Title: MIRAGE: Full-Body Bystander Privacy for Smart Glasses with Consent-Based Restoration
- Title（参考訳）: MIRAGE:スマートグラスのフルボディバイスタンダプライバシ
- Abstract要約: 連続キャプチャでは、歩行、姿勢、シルエットなど、全身の生体認証が示される。
MIRAGEは、プライバシを保存するスマートグラスのための3層アーキテクチャで、フルボディのプライバシを強制する。
Raspberry Pi5(スマートグラス計算用のCPU専用プロキシ)、コンパニオン電話、クラウド生成バックエンドにMIRAGEを実装しています。
- 参考スコア（独自算出の注目度）: 7.994063672472908
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video recording on smart glasses exposes more than faces. Continuous capture reveals full-body biometric signatures, including gait, posture, and silhouette, that enable person re-identification (ReID) even after conventional face sanitization. We present MIRAGE, a three-tier architecture for privacy-preserving smart glasses that enforces full-body privacy, supports synthetic full-body replacement, and retains encrypted recovery material for consent-based restoration. We implement MIRAGE on a Raspberry Pi~5 (a CPU-only proxy for smart-glasses compute), companion phones, and a cloud generative backend. Compared to prior systems, MIRAGE achieves 0.948 AP and 0.976 AR while accurately detecting the complete visible body. Its bounding box masking reduces learned silhouette-based ReID to essentially random guessing, with 10.86% Rank-1 accuracy compared with an 11.12% measured chance level. Even against an adaptive adversary retrained on MIRAGE's sanitized pose signals, Rank-1 gait identification drops from 90.25% to 26.20%, removing 72.5% of the adversary's identification advantage.
- Abstract（参考訳）: スマートグラス上のビデオ録画は、顔以上に露出する。
連続捕獲では、歩行、姿勢、シルエットを含む全身の生体認証が示され、通常の顔の衛生後にも人物の再識別(ReID)が可能である。
我々は、プライバシを保存するスマートグラスのための3層アーキテクチャであるMIRAGEを紹介し、フルボディのプライバシを強制し、合成フルボディのリプレースをサポートし、同意に基づく復元のために暗号化された回復材料を保持する。
Raspberry Pi~5(スマートグラス計算用のCPU専用プロキシ)、コンパニオン電話、クラウド生成バックエンドにMIRAGEを実装しています。
従来のシステムと比較すると、MIRAGEは0.948 APと0.976 ARを達成し、完全な可視体を正確に検出する。
そのバウンディングボックスマスクは、学習したシルエットベースのReIDを基本的にランダムな推測に還元し、10.86%のランク1の精度を11.12%の確率レベルと比較した。
MIRAGEの衛生的なポーズ信号で再訓練された適応的な敵に対しても、ランク1の歩行識別は90.25%から26.20%に低下し、敵の識別の利点の72.5%を排除した。
関連論文リスト
- FaceLinkGen: Rethinking Identity Leakage in Privacy-Preserving Face Recognition with Identity Extraction [10.685858393562205]
元のピクセルを復元することなく、保護テンプレートから直接リンク/マッチングと顔の再生を行うID抽出攻撃であるFaceLinkGenを提案する。
その結果,PPFR評価に広く用いられている画素歪み測定値と,実際のプライバシとの間に構造的ギャップが明らかとなった。
論文 参考訳（メタデータ） (2026-02-02T23:41:14Z) - AUGlasses: Continuous Action Unit based Facial Reconstruction with Low-power IMUs on Smart Glasses [19.019261626879036]
スマートグラスのための小型・低消費電力センシングソリューションを開発した。
AUGlassesは、14個のキーAUの強度(0-5スケール)を、ユーザ平均絶対誤差(MAE)0.187で正確に予測する。
また、さまざまな前処理とトレーニング技術を統合して、連続センシングのための堅牢なパフォーマンスを確保しました。
論文 参考訳（メタデータ） (2024-05-22T02:07:56Z) - 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) - OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。
本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。
提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
論文 参考訳（メタデータ） (2022-05-24T11:29:37Z) - 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) - Does a Face Mask Protect my Privacy?: Deep Learning to Predict Protected
Attributes from Masked Face Images [0.6562256987706128]
我々は20,003個の合成マスク付き画像を持つResNet-50アーキテクチャに基づいてCNNを訓練・適用する。
マスク着用時のプライバシー侵害性には有意な差はない。
提案手法は,人工知能システムのプライバシー侵害性を評価するためのベースラインユーティリティとして機能する。
論文 参考訳（メタデータ） (2021-12-15T04:46:19Z) - An Improved Real-Time Face Recognition System at Low Resolution Based on
Local Binary Pattern Histogram Algorithm and CLAHE [0.0]
本研究では、ポーズや感情、解像度のバリエーションのある15ピクセルの低解像度のリアルタイム顔認識システムを提案する。
トレーニングや分類に使用されている LRD200 と LRD100 というデータセットを設計しました。
この顔認識システムは、法執行目的で使用することができ、監視カメラは、カメラから人の距離のために低解像度の画像をキャプチャします。
論文 参考訳（メタデータ） (2021-04-15T04:54:29Z) - FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
FedFaceは顔認識モデルの協調学習のためのフレームワークである。
各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。
コードとトレーニング済みモデルは公開される予定です。
論文 参考訳（メタデータ） (2021-04-07T09:25:32Z) - FaceGuard: A Self-Supervised Defense Against Adversarial Face Images [59.656264895721215]
我々は,多種多様な対向顔を自動的に検出し,局所化し,浄化する,新たな自己監督型対向防御フレームワークFaceGuardを提案する。
トレーニング中、FaceGuardは、困難で多様な敵攻撃を自動的に合成し、分類器が実際の顔と区別することを学ぶことができる。
LFWデータセットの実験結果から、FaceGuardは6つの未知の敵攻撃タイプに対して99.81%の精度で検出できることが示された。
論文 参考訳（メタデータ） (2020-11-28T21:18:46Z) - Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。
TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
論文 参考訳（メタデータ） (2020-03-15T12:45:10Z) - 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。