Lens Privacy Sealing: 물리적 프라이버시 보호 행동 인식(Privacy-Preserving Action

RGB 카메라 기반의 감시 시스템은 공공 안전과 의료를 위한 인간 행동 인식(human action recognition)을 가능하게 하지만, 심각한 프라이버시 문제를 야기합니다. 기존 방식들은 데이터 획득 과정 중의 프라이버시를 보호하지 못하는 사후 캡처(post-capture) 알고리즘에 의존합니다. 우리는 조절 가능한 라미네이팅 필름(laminating film)으로 카메라 렌즈를 물리적으로 가려 최소한의 비용으로 센서 이전 단계의 프라이버시 보호를 제공하는 간단한 하드웨어 솔루션인 Lens Privacy Sealing (LPS)을 제안합니다. 소프트웨어 방식이나 값비싼 엔지니어링 광학 기술과 달리, LPS는 물리적으로 되돌릴 수 없는 확률적 다층 산란(stochastic multi-layer scattering)을 통해 강력한 프라이버시를 달성합니다. 우리는 프라이버시 보호 행동 인식을 위한 P$^3$AR 데이터셋을 도입하며, 여기에는 프라이버시 속성 주석이 포함된 대규모 리플레이 캡처(replay-captured) 서브셋(P$^3$AR-NTU, 114K 비디오)과 실제 수집된(real-world collected) 서브셋(P$^3$AR-PKU)이 모두 포함됩니다. LPS로 인한 비디오 저하를 처리하기 위해, 우리는 Inter-Frame Noise Suppressor (IFNS)와 Cross-Frame Semantic Aggregator (CFSA)를 통합한 단일 단계 프레임워크인 MSPNet을 제안하며, 이는 견고한 의미론적 추출(semantic extraction)을 위해 대조 언어-이미지 사전 학습(contrastive language-image pre-training)으로 강화되었습니다. 광범위한 실험을 통해 IFNS 및 CFSA를 포함한 MSPNet은 신원 인식(identity recognition)을 낮은 수준으로 억제하면서도 기본 방법론(baseline methods)에 비해 행동 인식 정확도를 거의 두 배로 높임을 입증했습니다. 종합적인 검증 결과, LPS는 최신 하드웨어 방식과 비교하여 우수한 프라이버시-유용성 트레이드오프(privacy-utility trade-off)를 달성하며, PSF 역전(PSF inversion) 및 데이터 기반 복구(data-driven recovery)를 포함한 재구성 공격(reconstruction attacks)에 저항하고, 다양한 광학 구성 및 까다로운 환경에서도 견고하게 일반화됨을 보여줍니다. 코드는 https://github.com/wangzy01/MSPNet 에서 확인할 수 있습니다.