یکی از راه های در نظر گرفتن حریم خصوصی ، کنترل داده های شخصی است. این به معنای جلوگیری از دسترسی دیگران به اطلاعات خصوصی موجود یا جمع آوری اطلاعات شخصی جدید است. و اجازه ایجاد اطلاعات نادرست در مورد شخص را نمی دهد. اولین مورد را می توان به عنوان حریم خصوصی "کلاسیک" دانست: اطمینان از اینکه اطلاعات شخصی فقط برای افراد یا شرکت هایی که اجازه چنین کاری را دارند قابل دسترسی است. جمع آوری داده های جدید شامل مواردی مانند تشخیص چهره است که به دولت ها یا مشاغل اجازه می دهد تا با ردیابی محل زندگی یا کاری که انجام می دهند ، اغلب اطلاعات ارزشمندی درباره شخص به دست آورند.
ایجاد اطلاعات شخصی جعلی ممکن است در گذشته در گذشته وجود داشته باشد شکل شایعات ، افترا و افترا ، اما امروزه به یک مسئله جدی تر تبدیل شده است ، زیرا رایانه ها تشخیص داده های شخصی جعلی و واقعی را دشوار می کند. شاید چشمگیرترین مثال ، کلاس جدید ویدیوهای عمیق جعلی است که با استفاده از هوش مصنوعی ، چهره شخص دیگری را روی ویدئوهای قبلی قرار می دهد. اینها هنوز نسبتاً خام هستند و اغلب با بازرسی مستقیم قابل مشاهده هستند.
با این حال ، این مورد برای تصاویر اصلاح شده رایانه ای که به پردازش بسیار کمتری نسبت به ویدئو نیاز دارند و در طول سالها تکنیک ها به طور قابل توجهی تکامل یافته اند ، وجود ندارد. یکی از انواع مهم تغییر به عنوان "رنگ آمیزی" شناخته می شود – این شامل پر کردن قسمت های از دست رفته یا برش خورده یک تصویر است. در ابتدا یک تکنیک آنالوگ بود که برای ترمیم رنگ های آسیب دیده استفاده می شد ، به عنوان مثال ، اکنون یک گزینه معمول برای برنامه هایی مانند فتوشاپ است. یکی از دلایلی که امروزه رنگ آمیزی دیجیتال بسیار خوب است ، استفاده گسترده از تکنیک های هوش مصنوعی مانند شبکه های عصبی مصنوعی است. این اجازه می دهد تا یک برنامه از قسمتهای دیگر تصویر برای پر کردن – یا جایگزینی – بخشهای خاص استفاده کند. به عنوان مثال ، اکنون حذف یک فرد خاص از عکس ، جایگزینی آن با پس زمینه مناسب ، نسبتاً آسان است.
این مسئله برای حریم خصوصی کاملاً مشکل ساز است ، زیرا معنای تصاویر بصری را به طرز چشمگیری تغییر می دهد – یا با حذف یا افزودن عناصر. دسترسی فوری تصاویر از طریق اینترنت در اینترنت ، جلوگیری از این نوع دستکاری ها را غیرممکن می کند. اما حداقل داشتن ابزاری مناسب برای کنترل آن در شرایط خاص – به عنوان مثال ، وقتی صحبت از عکس از وقایع مهم یا بالقوه حساس است – خوب است. مقاله جدید تکنیکی را توصیف می کند که از این نظر تا حدی محافظت می کند. در طول راه ، او نشان می دهد که چگونه تکنیک های هوش مصنوعی که معمولاً برای براندازی تصاویر به کار می رود ، می توانند خودشان برانداز شوند. در اینجا ایده اصلی آنچه محققان آن را "رنگ آمیزی" می نامند ، با قیاس با "رنگ آمیزی" است:
رنگ آمیزی یک کار پیچیده است ، با شبکه های عصبی آموزش دیده برای دستکاری تصاویر با اندازه دلخواه و با وصله های دلخواه. علاوه بر این ، ناخوشایندهای مدرن می توانند سوراخ های نامنظم را پر کنند. از آنجا که آنها سعی می کنند از نظر معنایی آگاهی داشته و انسجام محلی و جهانی را به نمایش بگذارند ، باید درک درستی از چشم انداز جهانی داشته باشند [that is, of the whole image]. این به نوبه خود باعث می شود تا آنها نه تنها به اطراف پچ ، بلکه کل تصویر وابسته باشند. تصور کنید که می خواهید یک سوراخ در اطراف چشم سنجاب نشان داده شده در شکل 4 نشان داده شود [shown in the paper]. در اینجا ، اطلاعات محلی (با رنگ صورتی نشان داده شده) نشان می دهد که باید با خز پر شود. در مقابل ، اطلاعات جمع (که به رنگ نارنجی نمایش داده می شود) باید به نقاش بگوید که تصویر دارای سنجاب در ژست خاص است و باید چشم در آنجا باشد. همانطور که در تصویر گرادیان در شکل 4 نشان داده شده است ، شیب ها هم بر روی ناحیه اطراف چشم و هم در بقیه تصویر تمرکز می کنند. این اعتماد به اطلاعات کل باعث می شود که رنگ آمیزی هم پیچیده باشد و هم قابل دستکاری باشد. لازم نیست نقاش مزاحمت خود را در اطراف قسمت وصله متمرکز کند اما می تواند آن را در سراسر تصویر پراکنده کند.
"اغتشاش" ذکر شده در اینجا داده های مخصوصی است که در اطراف تصویر توزیع می شود به گونه ای که سیستم هوش مصنوعی را فریب می دهد تا آن را به بخشی از وصله تبدیل کند ، حتی اگر اینگونه نباشد. در واقع هیچ کاری ندارد با قسمت گمشده انجام دهید. از آنجا که در اطراف تصویر پخش شده است ، باعث ایجاد تغییر عمده ای با چشم غیر مسلح نمی شود. این فقط به دلیل چگونگی اتکا برنامه دوم به داده های جمع آوری شده توسط برنامه inainting انتخاب می شود. این امکان را ایجاد می کند تا تغییرات غیر قابل مشاهده در تصویر ، به عنوان مثال با ایجاد یک علامت هشدار دهنده در تصویر ویرایش شده ، گزارش شود. حتی اگر تعدادی از تکنیک ها و برنامه های رنگ آمیزی به طور گسترده مورد استفاده قرار گیرد ، می توان از داده های آشفتگی یکسان برای همه آنها استفاده کرد تا عناصر اضافی تصویر ویرایش شده را تولید کند. این بدان معناست که یک تصویر واحد با اختلال در رنگ آمیزی در برابر اضافات یا حذف آشکار تولید شده توسط طیف وسیعی از ابزارهای نقاشی محافظت می شود.
محافظت از رنگ برای علامت گذاری اینگونه نیست. 39 ؛ کامل نیست. یافتن ابزارهای رنگ آمیزی با استفاده از تکنیک های جدید هوش مصنوعی ممکن است باشد که با اختلالات پنهان در تصویر گمراه نشوند. به همین ترتیب ، نوشتن یک ابزار تخصصی نیز امکان پذیر است. اما مشکل واقعی امروز این است که به لطف ابزارهای نرم افزاری که به طور گسترده در دسترس هستند ، انجام کار دستیابی به تصویر در تصویر تقریباً ساده و ساده شده است. حداقل ، روش پیشنهادی نقاشی با مارک برخی از مشکلات اولیه انجام چنین دستکاری های تصویری را برطرف می کند. این همچنین امیدواری می دهد که هر چقدر تکنیک های پیچیده هوش مصنوعی بدست آورند ، و هر چقدر تصاویر تغییر یافته آنها برای چشم انسان جذاب به نظر برسند ، روش هایی وجود دارد. هوش مصنوعی جبرانی که می تواند به فاش شدن کاربرد آنها کمک کند. این بدان معناست که مبارزه برای حفظ حریم خصوصی ، هر چقدر اوضاع تیره به نظر برسد ، ناامیدکننده نیست.
تصویر برجسته الکساندر لسنیتسکی.
