Privacy Through the Looking Glass: Diminished Reality to Enhance Privacy Beyond Reflective Leaks
Notice bibliographique
Résumé
In the wake of recent major privacy breaches and stringent regulations such as the GDPR, protecting privacy has become more critical than ever. Privacy concerns are exacerbated by the spread of pervasive technologies like Mixed Reality (MR), which have cameras continuously collecting visual data from spaces around us. While direct sensitive content that appears in a feed seems like the only problem, sensitive information might leak indirectly from other subtle visual cues, particularly reflections. Although several privacy-preserving frameworks have emerged, they are often two-dimensional, sensitive to motion, and overall not tailored for MR environments where private objects could be inadvertently revealed within a dynamic three-dimensional space. Furthermore, none of the frameworks addresses the issue of reflective privacy leakage. We propose a three-dimensional visual privacy-preserving Diminished Reality (DR) framework that obfuscates private objects and their reflections during non-trivial motion. The private object obfuscation is governed by a machine learning model that predicts the potential failure of the algorithm in real time, ensuring complete obfuscation when necessary to prevent privacy leaks. As for reflection obfuscation, we introduce a reflection detection and obfuscation stage into the system to further prevent privacy leaks, even from indirect sources such as mirrors or reflective surfaces. Our evaluation demonstrates that we effectively increase both privacy and privacy-utility tradeoff levels compared to state-of-the-art, reducing privacy failures by$\mathbf{5 4. 2 \%}$, and improving the tradeoff by$\mathbf{1 1 \%}$.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,010 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».