Künstliche Intelligenz (KI) könnte die Lösung sein, um Ihre persönlichen Fotos vor unerwünschter Gesichtserkennung und Betrügern zu schützen, während die Bildqualität erhalten bleibt. Eine kürzlich durchgeführte Studie von Georgia Tech, veröffentlicht am 19. Juli in der arXiv-Vorabdruckdatenbank, erklärt, wie Forscher ein KI-Modell namens "Chameleon" entwickelt haben. Dieses Modell erstellt eine digitale "einzelne, personalisierte Privatschutzmaske (P-3)" für persönliche Fotos, die verhindert, dass Gesichtserkennungssoftware das Gesicht einer Person identifiziert, sodass die Fotos erscheinen, als gehörten sie jemand anderem. "Datenschutzfreundliche Datenfreigabe und Analysen wie Chameleon werden Governance und die verantwortungsvolle Einführung von KI-Technologien fördern und verantwortungsvolle Wissenschaft und Innovation unterstützen", erklärte Studienleiterin Ling Liu, Professorin für daten- und intelligenzgetriebenes Rechnen an der School of Computer Science des Georgia Tech. Liu entwickelte zusammen mit anderen Forschern das Chameleon-Modell. Gesichtserkennungssysteme sind weitverbreitet, von Polizeikameras bis zu Apples Face ID. Unautorisierte Scans können dazu führen, dass Cyberkriminelle Bilder für Betrügereien, Betrug oder Stalking sammeln.

Sie könnten diese Bilder auch in Datenbanken für unerwünschte Werbung und Cyberangriffe zusammenstellen. Masken erstellen Während Bildmaskierung nicht neu ist, verdecken bestehende Systeme oft entweder wesentliche Details eines Fotos oder verringern die Bildqualität durch digitale Artefakte. Um dies zu beheben, heben die Forscher drei Hauptmerkmale von Chameleon hervor. Das erste ist die Optimierung über Bilder hinweg, die es Chameleon ermöglicht, pro Benutzer eine P3-Maske zu generieren, anstatt eine für jedes Foto. Dies bietet sofortigen Schutz und nutzt die Rechenressourcen effizient, was nützlich ist, wenn Chameleon auf Geräten wie Smartphones eingesetzt wird. Zweitens verwendet Chameleon die "Wahrnehmbarkeit-Optimierung", um sicherzustellen, dass die visuelle Qualität des geschützten Bildes ohne manuelle Eingabe oder Parameteranpassungen erhalten bleibt. Das dritte Merkmal stärkt die P3-Maske, um unbekannten Gesichtserkennungsmodellen standzuhalten. Dies beinhaltet die Integration von fokaler Diversität-optimiertem Ensemble-Lernen in den Maskenerstellungsprozess, eine Technik des maschinellen Lernens, die die Vorhersagen mehrerer Modelle kombiniert, um die Genauigkeit von Algorithmen zu erhöhen. Letztendlich streben die Forscher an, die Verschleierungstechniken von Chameleon über den Schutz persönlicher Bilder hinaus zu erweitern.