在这个数字化时代，随着社交网络的普及，图像分享已成为在线社交网络的流行特质。每天有数亿张图片通过社交平台如Facebook和Instagram被上传与分享。然而，图像分享也带来了隐私泄露的风险。图像中含有的丰富个人信息可能会被用于定向广告、市场营销乃至经济诈骗。例如，ClearviewAI公司就从互联网上爬取了超过30亿张图片构建面部识别系统，并在缺乏公众监督的情况下，将其提供给了600家机构使用。这表明，传统的模糊处理技术如人脸模糊和马赛克已无法有效对抗基于深度学习的图像识别模型。
为了保护社交网络图像的隐私，对抗样本（adversarial examples）的概念被提出，这些对抗样本通过在不影响图像视觉效果的情况下误导深度神经网络（DNNs），以达成隐私保护的目的。然而，对抗性图像在社交平台上经过有损压缩后，可能会失去其对抗性，因为压缩技术的应用会破坏精心构造的对抗性扰动。这导致了一个重要的挑战：如何生成可以抵抗有损压缩影响的对抗性图像，以便它们可以在真实社交网络环境中有效地保护图像隐私。
现有的研究进展在面对社交平台使用的自定义压缩算法时遇到了困难。由于社交平台上的压缩方式是自定义的，且不公开透明，对于研究者而言，这些压缩算法实际上是不可知的“黑盒”。此外，许多标准压缩算法本质上是不可微的，使得基于梯度的对抗性图像生成算法不兼容。即使重新编写JPEG压缩算法为可微形式，这也要求了解JPEG压缩算法及其相关参数，这在实际中可能并不总是可行的。
王志波教授的演讲中提到，要提出一种新的抗压缩的对抗性图像生成方案。这个方案的目标是使得对抗性图像在上传下载后仍能保持其对抗性，同时适应不同社交平台上的压缩方式。该方案的关键挑战在于社交平台采用的压缩算法是未知且不可微的，这就要求生成的对抗性图像不仅要有抗压缩性，还要能够抵御未知的压缩方式。
这样的研究目标和挑战涉及到多个领域的知识和技能。需要深入理解图像处理和压缩技术，尤其是在社交网络平台上的应用。对抗样本的生成与分析需要深厚的机器学习和深度学习理论基础，特别是对深度神经网络的攻击方法和防御策略。此外，研究还要求对加密和隐私保护技术有所掌握，以确保对抗性图像不会在传输过程中被破解或失去其对抗性。
这种抗压缩的“隐形衣”对于隐私保护而言是一个前沿的研究方向。它不仅能够提高社交网络用户分享图像时的安全性，也有可能对未来的信息安全和数据保护领域产生重要影响。通过对抗性图像在社交网络中的应用，可以有效抵御通过图像识别技术带来的隐私泄露威胁，为用户隐私保护提供一种新的视角和解决方案。随着研究的深入和技术的发展，期待可以真正实现让分享更安全的抗压缩“隐形衣”。
