匿名化骨骼数据
（中国AI网 2024年11月05日）基于骨骼的运动可视化是计算机视觉的一个新兴领域，特别是对于VR而言。随着人体姿态估计和骨骼提取传感器的进一步发展，利用骨骼数据的应用越来越多。
相关骨架可能看起来是匿名的，但它们包含嵌入的个人身份信息（PII）。所以在一项研究中，美国北卡罗来纳大学夏洛特分校的研究人员提出了一种基于运动重定向的匿名化技术，利用对adversary classifier进一步去除嵌入在骨架中的PII。
运动重定向在匿名化中是有效的，因为它将用户的运动转移到虚拟骨架之上。在这样做时，链接到骨架的任何PII将基于虚拟骨架，而不是正在保护的用户。团队提出了一个以隐私为中心的深度运动重定向模型（PMR），目标是通过对抗性学习进一步清除PII的重定向骨架。在实验中，PMR实现了与最先进模型相当的运动重定向实用性能，同时降低了隐私攻击的性能。
虚拟现实技术的快速发展带来了一个数字加护的新时代，物理世界和虚拟世界之间的界限正在融合在一起。这一进步的核心是基于骨架的数据，而它是创建沉浸式和交互式VR体验的关键组成。
然而，VR骨骼数据存在着尚未完全解决的隐私问题。骨架数据中的隐私非常重要，因为它可以揭示信息的敏感性。与传统数据类型不同，骨骼数据捕获个体独特的物理运动和属性。相关属性不仅包括基本的生物特征，如身高和肢体长度，而且包括更亲密的细节，如步态模式和姿势。
所获取的信息可以用来推断个人特征、健康状况，甚至情绪状态。例如，步态和姿势的变化可能潜在地表明一个人的年龄、身体状况或诸如关节炎或帕金森氏症等疾病。另外，属性的独特性使其在身份识别方面具有非常高的价值，引发了对未经授权的监视、身份盗窃或歧视的担忧。
所以，保护骨架数据的隐私不仅对于保护个人可识别信息（PII）至关重要，而且对于维护对基于骨架的技术的信任同样至关重要。
运动重定向涉及将运动数据从一个骨骼传输到另一个骨骼，有效地将动作与原始演员的骨骼结构解耦。这项技术为基于骨骼的数据提供了隐私保护的技术潜力，因为它解决了骨骼数据中固有的隐私信息。
通过将动作从一个骨架投射到另一个骨架，动作重定向可以匿名化数据，删除与原始主体的特定物理属性相关联的标识符。这种重新定位的过程不仅保留了原始运动的实用性和细微差别，而且确保了独特的生物特征特征，特别是特定于个体的比例，不直接与骨骼数据相关。
从本质上讲，动作重定向作为一种匿名器，在个人和他们的行为之间创建一个抽象层。这使得对数据进行逆向工程以识别原始主题变得更具挑战性，从而增强了隐私性。
在研究中，北卡罗来纳大学夏洛特分校探索了以隐私为中心的骨骼数据匿名化的深度运动重定向。
匿名骨架应该保持运动效用，但减少重新识别的隐私风险。研究人员使用自动编码器系统将原始骨架重新定位到假骨架上。生成的骨架保留了原始骨架中与角色无关的运动，但用假人的私人信息代替了私人信息，所以它是匿名的。
为了确保深度运动重定向模型以隐私为中心，研究人员添加了运动和隐私分类器来增强编码器学习的嵌入表示。一个编码器提取没有PII编码的运动嵌入，并将其传递给匿名骨架。另一个编码器提取包含原始骨架的所有PII的隐私嵌入，将其移除并替换为假人的PII。
使用真实世界的骨架数据集，团队评估了所提出模型的运动效用和匿名数据的隐私风险。实验结果显示，模型实现了与最先进模型相当的运动重定向实用性能，同时降低了隐私攻击的性能。
相关论文：Adversary-Guided Motion Retargeting for Skeleton Anonymizatio
总的来说，团队提出了一种新的运动重定向模型来匿名化骨骼数据。原始骨架数据包含PII，这使它们容易受到重新识别攻击。利用基于自编码器的神经网络，可以将骨架分解为运动嵌入和隐私嵌入。隐私嵌入替换为来自虚拟骨架的嵌入。解码器重组一个重新定位的骨架，而这是匿名的。
研究人员将合作学习和对抗学习结合嵌入分类器来增强表征学习。评估显示了所提出模型的有效性，以及方法中运动效用和隐私风险之间的平衡权衡。在未来，团队将探索基于transformer的骨架匿名化模型。
