EgoPrivacy: Что ваша камера от первого лица говорит о вас?

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

June 13, 2025

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

cs.AI

Аннотация

Несмотря на стремительное распространение носимых камер, которое вызвало серьезные опасения относительно конфиденциальности эгоцентричного видео, предыдущие исследования в значительной степени упускали из виду уникальные угрозы приватности, с которыми сталкивается сам владелец камеры. В данной работе исследуется ключевой вопрос: какую информацию о конфиденциальности владельца камеры можно извлечь из его видео от первого лица? Мы представляем EgoPrivacy — первый крупномасштабный бенчмарк для всесторонней оценки рисков приватности в эгоцентричном зрении. EgoPrivacy охватывает три типа приватности (демографическую, индивидуальную и ситуационную), определяя семь задач, направленных на восстановление конфиденциальной информации — от детализированной (например, идентификация владельца) до обобщенной (например, возрастная группа). Чтобы дополнительно подчеркнуть угрозы приватности, присущие эгоцентричному зрению, мы предлагаем Retrieval-Augmented Attack — новую стратегию атаки, которая использует поиск от эгоцентричного к экзоцентричному видео из внешнего пула экзоцентричных записей для повышения эффективности демографических атак на приватность. Представлено обширное сравнение различных атак, возможных при всех моделях угроз, которое показывает, что конфиденциальная информация владельца камеры крайне уязвима для утечки. Например, наши результаты свидетельствуют, что базовые модели могут эффективно нарушать приватность владельца даже в условиях zero-shot, восстанавливая такие атрибуты, как идентификация, сцена, пол и раса, с точностью 70-80%. Наш код и данные доступны по адресу 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.