EgoPrivacy: Cosa Rivela la Tua Fotocamera in Prima Persona?

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

June 13, 2025

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

cs.AI

Abstract

Mentre la rapida proliferazione di telecamere indossabili ha sollevato preoccupazioni significative riguardo alla privacy nei video egocentrici, il lavoro precedente ha in gran parte trascurato le minacce uniche alla privacy per chi indossa la telecamera. Questo studio indaga la domanda centrale: Quante informazioni private su chi indossa la telecamera possono essere dedotte dai video in prima persona? Introduciamo EgoPrivacy, il primo benchmark su larga scala per la valutazione completa dei rischi per la privacy nella visione egocentrica. EgoPrivacy copre tre tipi di privacy (demografica, individuale e situazionale), definendo sette compiti che mirano a recuperare informazioni private che vanno dal dettaglio fine (ad esempio, l'identità di chi indossa la telecamera) a quello più generico (ad esempio, la fascia d'età). Per sottolineare ulteriormente le minacce alla privacy intrinseche alla visione egocentrica, proponiamo il Retrieval-Augmented Attack, una nuova strategia di attacco che sfrutta il recupero ego-to-exo da un pool esterno di video esocentrici per aumentare l'efficacia degli attacchi alla privacy demografica. Viene presentato un confronto esteso dei diversi attacchi possibili in tutti i modelli di minaccia, dimostrando che le informazioni private di chi indossa la telecamera sono altamente suscettibili alla divulgazione. Ad esempio, i nostri risultati indicano che i modelli di base possono compromettere efficacemente la privacy di chi indossa la telecamera anche in contesti zero-shot, recuperando attributi come identità, scena, genere e razza con un'accuratezza del 70-80%. Il nostro codice e i dati sono disponibili all'indirizzo 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.