隨著電腦視覺技術的不斷進步，基於骨骼的運動可視化在虛擬現實（VR）等領域展現出巨大潛力。然而，骨骼數據中蘊含的個人身份資訊（PII）卻引發了隱私保護的擔憂。近日，美國北卡羅來納大學夏洛特分校的研究人員提出了一種創新的深度運動重定向模型（PMR），旨在通過運動重定向技術實現骨骼數據的匿名化。
研究人員指出，雖然相關骨架可能看起來是匿名的，但它們實際上包含了嵌入的個人身份資訊。為了去除這些 PII，他們開發了 PMR 模型，該模型利用對抗性學習進一步清除重定向骨架中的PII。
運動重定向是一種有效的匿名化手段，它通過將用戶的運動轉移到虛擬骨架上來實現。這樣，與骨架相關的任何 PII 都將基於虛擬骨架，而非實際用戶。在實驗中，PMR 模型不僅實現了與最先進模型相當的運動重定向性能，還顯著降低了隱私攻擊的風險。
VR 技術的快速發展正推動數字加護新時代的到來，物理世界與虛擬世界的界限日益模糊。基於骨架的數據在此過程中扮演著關鍵角色，是創建沉浸式和交互式VR體驗的基礎。然而，骨骼數據中的隱私問題卻不容忽視。
骨骼數據能夠捕獲個體獨特的物理運動和屬性，包括身高、肢體長度、步態模式和姿勢等。這些資訊不僅可以用來推斷個人特徵、健康狀況，甚至情緒狀態，還可能被用於未經授權的監視、身份盜竊或歧視。因此，保護骨骼數據的隱私對於維護個人資訊安全和技術信任至關重要。
PMR 模型通過運動和隱私分類器來增強編碼器學習的嵌入表示。一個編碼器負責提取沒有 PII 編碼的運動嵌入，並將其傳遞給匿名骨架；另一個編碼器則提取包含原始骨架所有PII的隱私嵌入，並將其替換為假人的 PII。這一過程確保了生成的骨架既保留了原始骨架中與角色無關的運動，又實現了數據的匿名化。
為了評估 PMR 模型的有效性，研究人員使用真實世界的骨架數據集進行了實驗。結果顯示，該模型在運動重定向實用性能和隱私風險降低方面均表現出色。
總的來說，北卡羅來納大學夏洛特分校的研究人員通過提出深度運動重定向模型（PMR），為骨骼數據的隱私保護提供了一種新的解決方案。該模型不僅實現了高效的運動重定向，還顯著降低了隱私泄露的風險。在未來，他們將繼續探索基於 transformer 的骨架匿名化模型，以進一步提升隱私保護的效果。
