Artificiell intelligens (AI) kan vara lösningen för att hålla dina personliga foton säkra från oönskad ansiktsigenkänning och bedragare, samtidigt som bildkvaliteten bibehålls. En ny studie från Georgia Tech, publicerad den 19 juli i arXiv pre-print databasen, förklarar hur forskare utvecklade en AI-modell kallad "Chameleon. " Denna modell skapar en digital "personlig sekretesskyddsmask (P-3)" för personliga foton som förhindrar ansiktsinsamling från mjukvara att identifiera en persons ansikte, vilket får det att se ut som om bilderna tillhör någon annan. "Integritetsbevarande datautbyte och analys som Chameleon kommer att främja styrning och ansvarsfull AI-teknikanvändning, vilket uppmuntrar ansvarstagande vetenskap och innovation, " sade studiens huvudförfattare Ling Liu, professor i datadriven och intelligensdriven datorhantering vid Georgia Tech’s School of Computer Science. Liu utvecklade Chameleon-modellen tillsammans med andra forskare. Ansiktsigenkänningssystem är utbredda, från poliskameror till iPhones Face ID. Obehöriga skanningar kan leda till att cyberbrottslingar samlar in bilder för bedrägerier, fusk eller förföljelse. De kan även lägga dessa bilder i databaser för oönskad reklam och cyberattacker. Skapande av masker Även om bildmaskering inte är nytt, så döljer befintliga system ofta antingen betydande detaljer av ett foto eller minskar bildkvaliteten genom att lägga till digitala artefakter.

För att åtgärda detta lyfter forskarna fram tre viktiga egenskaper hos Chameleon. Den första är optimering över flera bilder, vilket gör att Chameleon kan generera en P3-mask per användare istället för en för varje foto. Detta ger omedelbart skydd och använder datorkraft effektivt, vilket är användbart om Chameleon används i enheter som smartphones. För det andra använder Chameleon "perceptivitetsoptimering, " vilket säkerställer att den visuella kvaliteten på det skyddade bilden bibehålls utan manuell inmatning eller justering av parametrar. Den tredje egenskapen förstärker P3-masken för att stå emot okända ansiktsigenkänningsmodeller. Detta innebär att man integrerar fokal diversitetsoptimerat ensemble-lärande i maskskapandeprocessen, en maskininlärningsteknik som kombinerar flera modellers förutsägelser för att förbättra algoritmens noggrannhet. Forskarna siktar slutligen på att utöka Chameleons förblindningstekniker bortom att skydda personliga bilder.