AnonFACES

Le, Minh-Ha; Khan, Sakib Nizam; Tsaloli, Georgia; Carlsson, Niklas; Buchegger, Sonja

doi:10.1145/3411497.3420220

Cited by 4 publications

(3 citation statements)

References 28 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…It is important to recognize that data poisoning represents just one facet of a multifaceted approach to protecting facial privacy. Our frameworks, including AnonFACES [115], StyleID [114], StyleAdv [113], and Diff-Private [111], alongside evasion techniques and early protection methods, provide a comprehensive toolbox against FRS. The following paragraphs outline several reasons why the battle for privacy, despite these challenges, is far from lost and why efforts to develop and refine a wide range of privacy protection strategies remain a critical component of the broader privacy protection toolkit.…”

Section: Diffprivate:contributionsmentioning

confidence: 99%

“…However, they usually did not quantify the privacy impact. We proposed AnonFACE [115] to introduce a system that balances privacy and utility while enhancing the naturalness of the image. By utilizing low-dimensional feature vectors for improved clustering and incorporating StyleGAN, the proposed system generates more realistic synthesized faces, preserving features like age, gender, and emotion.…”

mentioning

confidence: 99%

See 1 more Smart Citation

Beyond Recognition : Privacy Protections in a Surveilled World

Minh-Ha

2024

Linköping Studies in Science and Technology. Dissertations

View full text Add to dashboard Cite

Våra ansikten är unika och är en integrerad del av vår identitet. Med smartphones och sociala medier finns det miljarder ansiktsbilder online varje dag. Denna data driver ansiktsigenkänningsteknik, som används för allt från att låsa upp telefoner till omfattande övervakning. I takt med att ansiktsigenkänningstekniken utvecklas, ökar också dess förmåga att identifiera oss -ofta utan vårt samtycke. Denna verklighet leder oss till en avgörande fråga: Hur kan vi skydda vår integritet utan att offra fördelarna med den digitala åldern?Vår forskning antar denna utmaning genom att undersöka hur ansiktsigenkänningsteknik fungerar, dess fördelar för säkerhet och bekvämlighet, samt de integritetsrisker den medför. Vi har utvecklat innovativa strategier för att skydda vår ansiktsdata från icke-samtyckt övervakning samtidigt som vi behåller nyttan med systemen inom legitima områden som behöver anonymiserade data för samhällets bästa, såsom sjukvård, självkörande fordon och maskininlärning. För att navigera dessa utmaningar har vi introducerat banbrytande verktyg och metoder för anonymisering, såsom AnonFACES, Sty-leID och utforskningen av sårbarheter i FRS genom IdDecoder.Föreställ dig en värld där du kan dela bilder online utan rädsla för att de utnyttjas av övervakningssystem. För att ta itu med dessa problem har vi skapat nya verktyg och tekniker, såsom DiffPrivate och StyleAdv. Dessa innovationer gör ansiktsbilder "osynliga" för övervakningssystem utan att ändra hur de ser ut för mänskliga ögon. Dessa verktyg är konstruerade för att vara offentligt tillgängliga samtidigt som de ger oss möjligheten att effektivt skydda vår integritet.Vårt arbete banar väg för en framtid där tekniken ger oss möjlighet att njuta av de stora möjligheterna med den digitala världen samtidigt som vi upprätthåller vår grundläggande rätt till integritet. Det handlar om att upprätthålla en harmonisk balans mellan innovation och integritet, och säkerställa att våra unika identiteter, som representeras av våra ansikten, förblir uteslutande våra i en värld som ständigt söker märka och kategorisera oss.

show abstract

Section: Diffprivate:contributionsmentioning

confidence: 99%

mentioning

confidence: 99%

Beyond Recognition : Privacy Protections in a Surveilled World

Minh-Ha

2024

Linköping Studies in Science and Technology. Dissertations

View full text Add to dashboard Cite

show abstract

“…Le et al [39] discuss how to evaluate privacy-utility trade-offs for face anonymization, but their focus is exclusively on measuring the utility and not privacy.…”

Section: Related Workmentioning

confidence: 99%

A False Sense of Privacy: Towards a Reliable Evaluation Methodology for the Anonymization of Biometric Data

Hanisch,

Todt,

Patino

et al. 2024

PoPETs

View full text Add to dashboard Cite

Biometric data contains distinctive human traits such as facial features or gait patterns. The use of biometric data permits an individuation so exact that the data is utilized effectively in identification and authentication systems. But for this same reason, privacy protections become indispensably necessary. Privacy protection is extensively afforded by the technique of anonymization. Anonymization techniques protect sensitive personal data from biometrics by obfuscating or removing information that allows linking records to the generating individuals, to achieve high levels of anonymity. However, our understanding and possibility to develop effective anonymization relies, in equal parts, on the effectiveness of the methods employed to evaluate anonymization performance. In this paper, we assess the state-of-the-art methods used to evaluate the performance of anonymization techniques for facial images and for gait patterns. We demonstrate that the state-of-the-art evaluation methods have serious and frequent shortcomings. In particular, we find that the underlying assumptions of the state-of-the-art are quite unwarranted. State-of-the-art methods generally assume a difficult recognition scenario and thus a weak adversary. However, that assumption causes state-of-the-art evaluations to grossly overestimate the performance of the anonymization. Therefore, we propose a strong adversary which is aware of the anonymization in place. This adversary model implements an appropriate measure of anonymization performance. We improve the selection process for the evaluation dataset, and we reduce the numbers of identities contained in the dataset while ensuring that these identities remain easily distinguishable from one another. Our novel evaluation methodology surpasses the state-of-the-art because we measure worst-case performance and so deliver a highly reliable evaluation of biometric anonymization techniques.

show abstract