arXiv cs.AI· Dawid Wolkiewicz, Anastasiya Pechko, Przemys{\l}aw Spurek, Piotr Syga·· 10 小时前AI 评分34
AEGIS：用对抗扰动保护 3D 人脸虚拟形象隐私
AEGIS: Preserving Privacy of 3D Facial Avatars with Adversarial Perturbations
AI 导读
AEGIS 是首个针对 3D Gaussian 虚拟形象的隐私保护身份遮蔽框架，通过对高斯原语的基色（DC）系数施加对抗扰动，在多个预训练人脸验证网络引导下将保护嵌入 3D 表示，跨视角与动画生效且无需重训或改动几何。面对黑盒识别器，它将人脸检索与验证准确率降至接近零，同时保持高感知保真度并保留年龄、性别、情绪等面部属性。该工作还提出跨视角泄漏度量，论文已被 WACV 2027 接收。
正文 · AI 翻译
摘要：逼真 3D 面部虚拟形象的日益普及，尤其是那些采用高效 3D Gaussian Splatting 表示的形象，带来了新的在线身份盗用风险，在依赖生物特征认证的系统中尤为突出。尽管针对 2D 图像已开发出有效的对抗性掩蔽方法，但在为动态 3D 虚拟形象实现稳健且视角一致的身份保护方面仍存在显著空白。为此，我们提出 AEGIS，这是首个面向 3D Gaussian 虚拟形象的隐私保护身份掩蔽框架，能够对自动人脸识别隐藏身份，同时保持虚拟形象的感知真实感和动画可用性。AEGIS 将对抗性扰动施加于 Gaussian 基元的基础（DC）颜色系数上，并以预训练人脸验证网络的集成作为引导，将保护直接嵌入 3D 表示中，使其适用于各种视角和动画，无需重新训练或修改虚拟形象的几何结构。针对黑盒识别器进行评估时，AEGIS 将人脸检索和验证准确率降至接近零，同时保持较高的感知保真度。它还保留了年龄、性别和情绪等关键面部属性，在视觉失真极小的情况下展现出强大的隐私保护能力。我们进一步提出了一种视角鲁棒的泄露度量，用于量化虚拟形象在各渲染视角下的残余身份泄露，这是单视角评估无法捕捉的。
| 评论： | 已被 WACV 2027 接收。源代码见：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2511.17747 [cs.CV] |
| （或 arXiv:2511.17747v2 [cs.CV] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2511.17747 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Dawid Wolkiewicz [查看邮箱]
[v1]
2025 年 11 月 21 日星期五 19:57:28 UTC（31,299 KB）
[v2]
2026 年 11 月 4 日星期三 16:37:45 UTC（15,775 KB）
来源：arXiv cs.AI · arxiv.org