⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-09-07 更新
CryptoFace: End-to-End Encrypted Face Recognition
Authors:Wei Ao, Vishnu Naresh Boddeti
Face recognition is central to many authentication, security, and personalized applications. Yet, it suffers from significant privacy risks, particularly arising from unauthorized access to sensitive biometric data. This paper introduces CryptoFace, the first end-to-end encrypted face recognition system with fully homomorphic encryption (FHE). It enables secure processing of facial data across all stages of a face-recognition process–feature extraction, storage, and matching–without exposing raw images or features. We introduce a mixture of shallow patch convolutional networks to support higher-dimensional tensors via patch-based processing while reducing the multiplicative depth and, thus, inference latency. Parallel FHE evaluation of these networks ensures near-resolution-independent latency. On standard face recognition benchmarks, CryptoFace significantly accelerates inference and increases verification accuracy compared to the state-of-the-art FHE neural networks adapted for face recognition. CryptoFace will facilitate secure face recognition systems requiring robust and provable security. The code is available at https://github.com/human-analysis/CryptoFace.
人脸识别在许多身份验证、安全及个性化应用中都占据核心地位。然而，它存在重大隐私风险，尤其是因未经授权的敏感生物识别数据访问而引发的风险。本文介绍了CryptoFace，这是一个采用全同态加密（FHE）的端到端加密人脸识别系统。它能够在人脸识别过程的各个阶段安全地处理面部数据，包括特征提取、存储和匹配，同时不会暴露原始图像或特征。我们引入了一种混合浅斑块卷积网络，以通过斑块处理支持更高维度的张量，同时降低乘法深度，从而降低推理延迟。这些网络的并行FHE评估确保了近乎分辨率独立的延迟。在标准人脸识别基准测试中，CryptoFace与为人脸识别改编的最新FHE神经网络相比，显著加速了推理过程，并提高了验证精度。CryptoFace将促进需要强大且可验证安全的人脸识别系统的开发。代码可在https://github.com/human-analysis/CryptoFace找到。
论文及项目相关链接
PDF CVPR 2025
Summary
人脸识别技术广泛应用于身份验证、安全保障及个性化应用，但同时也面临个人隐私泄露的风险，尤其涉及敏感生物识别数据的非法访问问题。本文提出CryptoFace系统，采用全同态加密技术实现端到端加密的人脸识别。系统可安全处理人脸识别各环节的数据，包括特征提取、存储和匹配，无需暴露原始图像或特征信息。采用浅层补丁卷积网络支持高维张量的处理，降低乘法深度并减少推理延迟。并行FHE评估这些网络可实现接近分辨率独立的延迟。在标准人脸识别基准测试中，CryptoFace相较于其他适应人脸识别的同态加密神经网络，显著加速了推理过程并提高了验证精度。CryptoFace将促进需要强大和可证明安全的人脸识别系统的开发。代码已公开在GitHub上。
Key Takeaways
- 人脸识别技术在多个领域广泛应用，但面临隐私泄露风险，特别是涉及敏感生物识别数据的非法访问问题。
- CryptoFace系统是首个采用全同态加密的端到端加密人脸识别系统。
- CryptoFace可实现人脸识别各环节的安全处理，包括特征提取、存储和匹配，保护用户隐私。
- 采用浅层补丁卷积网络以支持高维数据处理，降低计算复杂性和推理延迟。
- 并行FHE评估网络确保了近似于分辨率独立的延迟，提高系统效率。
- 在标准人脸识别测试中，CryptoFace相较于其他方案表现出更高的推理速度和验证精度。
点此查看论文截图
