基于去噪扩散隐式模型的图像隐私保护方法

本发明属于图像传输安全，更为具体地讲，涉及一种基于去噪扩散隐式模型的图像隐私保护方法。

背景技术：

1、随着互联网和社交平台的迅猛发展，公共图像的分享已成日常，进而显著增加了个人隐私泄露的风险。在此环境下，私人图片面临着未经授权的访问和非法使用的威胁，例如，街景照片可能不经意地泄露详细地址信息，面部图像亦可能被用于恶意识别。因此，紧迫开发有效的隐私保护策略以防止图像的未授权访问和潜在滥用显得尤为重要。在此背景之下，对于既能有效防止隐私泄露又能保持图像自然外观并在必要时实现可恢复性的高效匿名化技术的需求日益增长。

2、在当前图像隐私保护技术领域，主流方法涵盖图像模糊处理、像素化及面部特征遮盖等。这些技术通过修改图像的特定特征，降低个人信息暴露风险。例如，面部特征的像素化或模糊处理能有效防止自动面部识别系统确定个人身份。然而，这些方法虽有其效用，却也存在局限：如可能降低图像的自然感，能明显看到修改痕迹；或在某些情况下，处理后的图像仍可能导致个人身份被识别。这些限制促成了对新方法的探索，目的是为了发现更有效的隐私保护解决方案。

3、近年来，随着深度学习技术的飞速发展，基于深度学习的图像隐私保护技术已经开始受到广泛研究和应用。这些技术主要利用深度神经网络，特别是生成对抗网络(gans)和扩散模型(例如ddpm)，通过深入学习图像的丰富表示来调整图像特征。它们的核心目标是在确保隐私保护的同时，尽可能地维持图像的自然外观和高质量。相较于传统隐私保护方法，基于深度学习的技术展现了显著优势：这些技术不仅提供了卓越的隐私保护效果，确保了保护后的图像在自然度上不会被攻击者轻易识别，同时也在恢复原始图像方面展现了更高的性能。

4、尽管基于深度学习的图像匿名化技术展现出前所未有的潜力，它们面临的挑战仍然不容小觑。传统的图像匿名化方法，如像素化和高斯模糊，尽管能提供一定程度的匿名性，却因其不可逆特性而限制了应用范围，比如说一旦应用这些技术，图像便无法恢复至其原始状态。与此相对，基于深度学习的技术利用庞大数据集来训练模型实现图像的部分恢复，然而，此方法可能会留下可辨识的编辑痕迹，并且极度依赖于大型训练数据集。此外，这些方法在多样性、鲁棒性和恢复能力方面存在局限，突显出图像匿名化与其不可逆性依旧是一大挑战。

5、如前所述，传统的图像隐私保护方法在保护隐私的同时牺牲了图像的可用性和质量。尽管基于深度学习的图像匿名化技术在维持图像自然外观方面取得了进展，平衡隐私保护与图像质量恢复之间的关系依旧挑战重重。例如，在利用生成模型调整图像特征的过程中，避免识别信息的泄露与维持图像的自然美观需要仔细平衡。机器学习和图像识别技术的快速发展加剧了防止图像未授权访问和潜在滥用的难度。即便是经过深度学习技术匿名化的图像，也可能被先进的识别模型识别出来，激发第三方的关注和怀疑。

6、使用深度学习技术，例如生成对抗网络(gans)和扩散模型(ddpm)，能够产生视觉上与自然图像几乎无法区分的匿名化图像。这些方法与传统的不可逆匿名化技术(如像素化和高斯模糊)形成对比，支持高度可逆的匿名化过程，使得用户在需要时能够准确地恢复原始图像，保留了返回到原始状态的可能性。这种方式不仅有效地保护了隐私，而且减少了第三方对处理后图像的怀疑。此外，这些技术的应用范围不局限于人脸匿名化，还能扩展至其他类型的图像隐私保护，显示出广泛的适用性和卓越的多样性。然而，基于深度学习的图像匿名化技术仍面临诸多挑战，包括编辑痕迹的可见性、对大量训练数据的依赖性，以及对压缩和噪声的脆弱性，还需要进一步的研究和改进。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于去噪扩散隐式模型的图像隐私保护方法，结合去噪扩散隐式模型ddim(denoising diffusion implicit models)和像素混淆方法进行图像匿名化，可以在确保个人隐私的同时，有效恢复图像。

2、为了实现上述发明目的，本发明基于去噪扩散隐式模型的图像隐私保护方法包括以下步骤：

3、s1：根据实际需要设置私有区域类型，从待保护图像x中识别得到私有区域，生成私有区域的掩码图像m；

4、s2：采用去噪扩散隐式模型ddim的逆向加噪过程对待保护图像x进行处理，生成加噪图像xf；

5、s3：对加噪图像xf进行通道拆分，得到通道图像xf,i，i＝1,2,…,n，n表示加噪图像xf的通道数；

6、s4：从n个通道图像xf,i中选择部分通道图像作为待混淆通道图像，根据掩码图像m分别对每个待混淆通道图像的私有区域进行像素混淆处理，得到混淆通道图像；

7、s5：将混淆通道图像连同其他原始通道图像重构得到加噪图像x′f；

8、s6：采用去噪扩散隐式模型ddim的正向去噪过程对加噪图像x′f进行去噪处理，生成隐私保护图像x′；

9、s7：当用户将隐私保护图像x′发送至其他用户时，接收方采用如下方法从隐私保护图像x′恢复得到还原图像具体方法为：

10、采用去噪扩散隐式模型ddim的逆向加噪过程对待隐私保护图像x′进行处理，生成加噪图像预先收集若干对加噪图像和掩码图像，训练得到掩码识别模型，然后对加噪图像使用掩码识别模型进行掩码检测得到掩码图像m′；对加噪图像进行通道拆分，按照步骤s4所选择待混淆通道图像从n个通道图像中选择对应的待还原通道图像，并根据掩码图像m′，分别采用步骤s4中像素混淆处理的逆过程对待还原通道图像中私有区域进行像素混淆还原；将还原后的通道图像连同其他通道图像重构得到加噪图像最后再采用去噪扩散隐式模型ddim的正向去噪过程对加噪图像进行去噪处理，得到还原图像

11、本发明基于去噪扩散隐式模型的图像隐私保护方法，从待保护图像中提取私有区域的掩码图像，采用去噪扩散隐式模型ddim的逆向加噪过程对待保护图像进行加噪处理得到加噪图像，对加噪图像进行通道拆分，选取部分通道图像作为待混淆通道图像进行像素混淆处理，连同其他原始通道图像重构得到加噪图像，再采用去噪扩散隐式模型ddim的正向去噪过程对加噪图像进行去噪处理生成隐私保护图像，当用户将隐私保护图像发送至其他用户时，接收方采用生成隐私保护图像的逆过程恢复得到还原图像。

12、本发明具有以下有益效果：

13、1)可逆性：本发明提供了一种高度可逆的图像匿名化方法，允许用户在保护隐私的同时，根据需要恢复原始图像信息，增强了图像处理的灵活性和实用性；

14、2)轻量化：本发明无需额外的数据集和额外的训练，采用预训练好的ddim模型即可完成隐私保护；

15、3)多级隐私保护：在像素混淆时，本发明可以通过使用不同的密钥实现多级图像匿名化，满足了不同隐私保护需求，为用户提供了更精细化的隐私控制。

16、4)保留非敏感信息：本发明还对ddim模型进行了改进，对ddim模型的迭代公式进行优化，还可以通过采用部分采样、凹形策略来优化了扩散过程，能够在保护敏感区域的同时，保留图像中的非敏感信息，确保图像的可用性和认知连续性。