DeepBlur：一种简单有效的自然图像模糊方法-技术圈

点击上方“AI算法与图像处理”，选择加"星标"或“置顶”

重磅干货，第一时间送达

摘要

由于社交媒体和监控系统的普及，以及人脸识别软件的进步，人们对隐私的担忧越来越大。然而，现有的图像模糊技术要么容易受到人类或深度学习模型的再识别攻击，要么在保持图像保真度方面不够，要么计算量太大，难以实现。为了解决这些问题，我们提出了DeepBlur，这是一种简单而有效的图像模糊方法，它通过无条件预先训练的生成模型的潜在空间进行模糊处理，该模型能够合成逼真的人脸图像。我们通过效率和图像质量将其与现有的方法进行比较，并与最先进的深度学习模型和工业产品(例如，Face++，微软的Face服务)进行评估。实验结果表明，该方法能够产生高质量的输出，并且对大多数测试用例具有最强的防御能力。

论文创新点

我们认为，与现有的方法相比，DeepBlur有以下优点：

与传统方法(如高斯模糊、像素化、掩蔽)相比，DeepBlur是一个更强的防御基于深度学习的识别系统，能够产生更视觉上愉悦的结果；
与基于对抗性扰动的方法相比，DeepBlur不需要假设攻击者使用的特定神经网络或识别系统，可以抵御来自人类众包和自动系统的未经授权的识别；
与基于gan的图像编辑方法(例如，属性编辑、人脸嵌入和替换)相比，DeepBlur通常产生更少的伪影(由于潜在空间的平滑效果)，并且在计算上更友好。

框架结构

DeepBlur概述

给定一个任意的输入，我们首先对图像进行裁剪、旋转和对齐，然后将对齐后的人脸送入优化管道(如图3所示)，得到一个潜在的表示，该表示可以用生成神经网络合成几乎相同的人脸。根据应用场景(例如，所需的模糊级别)，我们将具有所需核大小的低通滤波器应用于潜在表示，并再次提供生成模型的平滑对应，从而产生深度模糊的结果。

图3 潜在表示搜索的一般框架

实验结果

深度模糊图像的例子

对于任意一幅人脸图像，DeepBlur方法能够在保持高视觉保真度的同时模糊身份，并且身份距离单调地随着σ变大而增大。

潜表示搜索的例子

如图3所示，我们将寻找图像的潜在表示的任务形式化为一个优化问题。从GAN的平均人脸开始(原文图9)，我们使用L-BFGS算法[45]来寻找能够最小化输入图像和生成对应图像之间损失的潜在表示。该算法收敛速度非常快，通常10步后得到的潜在表示可以合成出与原始图像相当接近的图像。

结论

最后，我们提出了一种简单而有效的自然图像模糊方法DeepBlur。通过模糊生成模型的潜在空间，DeepBlur能够改变图像中的身份，同时保持高视觉质量。我们对该方法进行了定性和定量评估，并表明该方法对人类感知和最先进的面部识别系统都是有效的。我们的实验表明，DeepBlur在图像质量、计算效率、对抗未授权识别攻击的有效性或以上所有方面都比现有方法有优势。在未来，我们计划将我们的方法扩展到更广泛的应用。

论文链接：https://arxiv.org/pdf/2104.02655.pdf

个人微信（如果没有备注不拉群！）

请注明：地区+学校/企业+研究方向+昵称

下载1：何恺明顶会分享

在「AI算法与图像处理」公众号后台回复：何恺明，即可下载。总共有6份PDF，涉及 ResNet、Mask RCNN等经典工作的总结分析

下载2：终身受益的编程指南：Google编程风格指南

在「AI算法与图像处理」公众号后台回复：c++，即可下载。历经十年考验，最权威的编程规范！

下载3 CVPR2021

在「AI算法与图像处理」公众号后台回复：CVPR，即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文

点亮，告诉大家你也在看