Unrecognizable Yet Identifiable: Image Distortion with Preserved Embeddings

要約

セキュリティ アプリケーションの分野では、生体認証システムが重要な役割を果たしていますが、その開発中にプライバシーとセキュリティに関する課題に遭遇することもよくあります。
最も基本的な課題の 1 つは、バイオメトリクスをストレージに直接保存することを避けながらも、十分に高い精度を達成することにあります。
私たちはこの課題に取り組み、人工知能とエンジニアリングの両方の分野に貢献します。
ニューラル ネットワーク モデルによる顔画像の識別可能性を維持しながら、顔画像を目には認識できないように効果的にレンダリングする革新的な画像歪み技術を紹介します。
理論的な観点から、予測された同一性が変化しない画像の歪みの最大度をチェックすることにより、最先端の生体認証認識ニューラル ネットワークがどの程度信頼できるかを調査します。
一方、この技術を適用すると、生体認証システムにおけるセキュリティ、精度、パフォーマンスのバランスをとるというエンジニアリング上の課題に対する実用的な解決策が実証されます。
広く使用されているデータセットでの実験を通じて、AI の特徴表現を維持し、従来のメトリクスと比較して歪みを与える方法の有効性を評価します。
また、私たちの方法を以前に使用されたアプローチと比較します。

要約(オリジナル)

In the realm of security applications, biometric authentication systems play a crucial role, yet one often encounters challenges concerning privacy and security while developing one. One of the most fundamental challenges lies in avoiding storing biometrics directly in the storage but still achieving decently high accuracy. Addressing this issue, we contribute to both artificial intelligence and engineering fields. We introduce an innovative image distortion technique that effectively renders facial images unrecognizable to the eye while maintaining their identifiability by neural network models. From the theoretical perspective, we explore how reliable state-of-the-art biometrics recognition neural networks are by checking the maximal degree of image distortion, which leaves the predicted identity unchanged. On the other hand, applying this technique demonstrates a practical solution to the engineering challenge of balancing security, precision, and performance in biometric authentication systems. Through experimenting on the widely used datasets, we assess the effectiveness of our method in preserving AI feature representation and distorting relative to conventional metrics. We also compare our method with previously used approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google