EgoPrivacy : Ce que votre caméra à la première personne révèle de vous ?

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

June 13, 2025

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

cs.AI

Résumé

Alors que la prolifération rapide des caméras portables a soulevé des préoccupations majeures concernant la confidentialité des vidéos égocentriques, les travaux antérieurs ont largement négligé les menaces uniques pesant sur la vie privée du porteur de la caméra. Cette étude explore la question centrale : quelle quantité d'informations privées concernant le porteur de la caméra peut être déduite de ses vidéos à la première personne ? Nous présentons EgoPrivacy, le premier benchmark à grande échelle pour l'évaluation exhaustive des risques de confidentialité dans la vision égocentrique. EgoPrivacy couvre trois types de confidentialité (démographique, individuelle et situationnelle), définissant sept tâches visant à récupérer des informations privées allant du niveau fin (par exemple, l'identité du porteur) au niveau grossier (par exemple, la tranche d'âge). Pour mettre davantage en lumière les menaces inhérentes à la vision égocentrique, nous proposons l'Attaque par Récupération Augmentée, une nouvelle stratégie d'attaque qui exploite la récupération ego-to-exo à partir d'un pool externe de vidéos exocentriques pour renforcer l'efficacité des attaques sur la confidentialité démographique. Une comparaison approfondie des différentes attaques possibles sous tous les modèles de menace est présentée, montrant que les informations privées du porteur sont très susceptibles d'être divulguées. Par exemple, nos résultats indiquent que les modèles de base peuvent compromettre efficacement la confidentialité du porteur, même dans des configurations zero-shot, en récupérant des attributs tels que l'identité, le lieu, le genre et l'origine ethnique avec une précision de 70 à 80 %. Notre code et nos données sont disponibles à l'adresse 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.