EgoPrivacy: ¿Qué revela tu cámara en primera persona sobre ti?

EgoPrivacy: What Your First-Person Camera Says About You?

June 13, 2025

Autores: Yijiang Li, Genpei Zhang, Jiacheng Cheng, Yi Li, Xiaojun Shan, Dashan Gao, Jiancheng Lyu, Yuan Li, Ning Bi, Nuno Vasconcelos

cs.AI

Resumen

Si bien la rápida proliferación de cámaras portátiles ha generado preocupaciones significativas sobre la privacidad en los videos egocéntricos, trabajos anteriores han pasado por alto en gran medida las amenazas únicas a la privacidad que enfrenta el usuario de la cámara. Este trabajo investiga la pregunta central: ¿Cuánta información privada sobre el usuario de la cámara puede inferirse a partir de sus videos en primera persona? Presentamos EgoPrivacy, el primer benchmark a gran escala para la evaluación integral de riesgos de privacidad en visión egocéntrica. EgoPrivacy abarca tres tipos de privacidad (demográfica, individual y situacional), definiendo siete tareas que buscan recuperar información privada que va desde lo detallado (por ejemplo, la identidad del usuario) hasta lo general (por ejemplo, el grupo de edad). Para enfatizar aún más las amenazas a la privacidad inherentes a la visión egocéntrica, proponemos el Ataque Aumentado por Recuperación, una novedosa estrategia de ataque que aprovecha la recuperación ego-to-exo a partir de un conjunto externo de videos exocéntricos para aumentar la efectividad de los ataques a la privacidad demográfica. Se presenta una comparación exhaustiva de los diferentes ataques posibles bajo todos los modelos de amenaza, mostrando que la información privada del usuario es altamente susceptible a fugas. Por ejemplo, nuestros hallazgos indican que los modelos fundacionales pueden comprometer efectivamente la privacidad del usuario incluso en configuraciones zero-shot, recuperando atributos como identidad, escena, género y raza con una precisión del 70-80%. Nuestro código y datos están disponibles en https://github.com/williamium3000/ego-privacy.

English

While the rapid proliferation of wearable cameras has raised significant concerns about egocentric video privacy, prior work has largely overlooked the unique privacy threats posed to the camera wearer. This work investigates the core question: How much privacy information about the camera wearer can be inferred from their first-person view videos? We introduce EgoPrivacy, the first large-scale benchmark for the comprehensive evaluation of privacy risks in egocentric vision. EgoPrivacy covers three types of privacy (demographic, individual, and situational), defining seven tasks that aim to recover private information ranging from fine-grained (e.g., wearer's identity) to coarse-grained (e.g., age group). To further emphasize the privacy threats inherent to egocentric vision, we propose Retrieval-Augmented Attack, a novel attack strategy that leverages ego-to-exo retrieval from an external pool of exocentric videos to boost the effectiveness of demographic privacy attacks. An extensive comparison of the different attacks possible under all threat models is presented, showing that private information of the wearer is highly susceptible to leakage. For instance, our findings indicate that foundation models can effectively compromise wearer privacy even in zero-shot settings by recovering attributes such as identity, scene, gender, and race with 70-80% accuracy. Our code and data are available at https://github.com/williamium3000/ego-privacy.