EgoPrivacy: O que Sua Câmera em Primeira Pessoa Revela Sobre Você?

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

Resumo

Embora a rápida proliferação de câmeras vestíveis tenha levantado preocupações significativas sobre a privacidade em vídeos egocêntricos, trabalhos anteriores têm negligenciado amplamente as ameaças únicas à privacidade do usuário que utiliza a câmera. Este trabalho investiga a questão central: Quanta informação privada sobre o usuário da câmera pode ser inferida a partir de seus vídeos em primeira pessoa? Apresentamos o EgoPrivacy, o primeiro benchmark em larga escala para a avaliação abrangente de riscos de privacidade na visão egocêntrica. O EgoPrivacy abrange três tipos de privacidade (demográfica, individual e situacional), definindo sete tarefas que visam recuperar informações privadas que variam de granularidade fina (por exemplo, identidade do usuário) a granularidade grossa (por exemplo, faixa etária). Para enfatizar ainda mais as ameaças à privacidade inerentes à visão egocêntrica, propomos o Retrieval-Augmented Attack, uma nova estratégia de ataque que aproveita a recuperação ego-to-exo a partir de um conjunto externo de vídeos exocêntricos para aumentar a eficácia dos ataques à privacidade demográfica. Uma comparação extensiva dos diferentes ataques possíveis sob todos os modelos de ameaça é apresentada, mostrando que as informações privadas do usuário são altamente suscetíveis a vazamentos. Por exemplo, nossos achados indicam que modelos de base podem comprometer efetivamente a privacidade do usuário, mesmo em configurações zero-shot, ao recuperar atributos como identidade, cenário, gênero e raça com 70-80% de precisão. Nosso código e dados estão disponíveis em 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.