Privacy-Preserving in Connected and Autonomous Vehicles Through Vision to Text Transformation

Sintesi Tecnica: Trasformazione Vision-to-Text Preservante la Privacy in Veicoli Connessi e Autonomi

Definizione del Problema
I Sistemi di Trasporto Intelligenti (ITS) si affidano sempre più a telecamere dotate di Intelligenza Artificiale (AIE) per monitorare il traffico, rilevare violazioni e valutare la sicurezza nei Veicoli Connessi e Autonomi (CAV). Sebbene questi sistemi migliorino la sicurezza pubblica, catturano immagini degli interni dei veicoli, uno spazio ampiamente considerato privato. Le tecniche tradizionali di preservazione della privacy, come la sfocatura (blurring), l'offuscamento (fogging) o la mascheratura dei volti, sono spesso insufficienti. Possono essere imprecise, non riescono a occultare completamente le regioni sensibili e sono sempre più vulnerabili ad attacchi di ricostruzione basati su IA, che possono invertire l'offuscamento per rivelare le identità originali. Inoltre, i metodi esistenti operano spesso direttamente nello spazio dell'immagine, lasciando dati visivi residui che possono essere sfruttati per il furto di identità, il profiling o l'uso commerciale non autorizzato. Esiste una necessità critica di una soluzione robusta che trasformi i dati visivi sensibili in un formato non visivo senza compromettere l'utilità semantica necessaria per l'analisi del traffico.

Metodologia
Il documento propone un nuovo framework che trasforma i dati visivi in descrizioni testuali descrittive utilizzando una combinazione di Modelli Vision-Language (VLM), Reinforcement Learning (RL) gerarchico e Retrieval Augmented Generation (RAG). Invece di elaborare direttamente le immagini per la classificazione o il rilevamento, il sistema le converte in descrizioni testuali consapevoli della privacy. La metodologia opera attraverso quattro fasi iterative:

1. VLM per la Generazione di Testo: Un VLM viene perfezionato (fine-tuned) con una supervisione sensibile alla privacy per convertire le immagini in descrizioni testuali iniziali. Il modello è addestrato per evitare la generazione di descrittori di Informazioni PII (Personally Identifiable Information). Utilizza un'architettura basata su Transformer con meccanismi di self-attention per codificare gli input visivi in embedding di token, guidati da una funzione di perdita che penalizza l'esposizione di dettagli privati.
2. Selezione Gerarchica dei Prompt tramite RL: Per raffinare il testo iniziale, un agente di Reinforcement Learning (specificamente utilizzando l'Ottimizzazione della Politica Prossimale, PPO) seleziona iterativamente i prompt da un elenco gerarchico. L'agente opera in uno spazio di stato definito dall'embedding semantico del testo corrente e da un punteggio di privacy. Lo spazio delle azioni consiste nella selezione di prompt specifici per guidare il VLM verso descrizioni più precise e conformi alla privacy. La funzione di ricompensa bilancia la somiglianza semantica (usando SBERT) rispetto alla privacy visiva (misurata tramite la somiglianza di ricostruzione con un Variational Autoencoder).
3. Meccanismo di Ricompensa Basato sul Feedback (RAG): Un modulo di Retrieval Augmented Generation (RAG) funge da ciclo di feedback esterno per validare l'output dell'agente RL. Questo feedback viene integrato nella funzione obiettivo del RL, permettendo al modello di apprendere da segnali di conoscenza esterna piuttosto che fare affidamento esclusivamente su ricompense interne. Questo passaggio corregge potenziali errori e assicura che il testo generato sia allineato con gli obiettivi di privacy.
4. Raffinamento Iterativo: Il processo si ripete per un numero prestabilito di iterazioni (ad esempio, tre), filtrando progressivamente i contenuti ridondanti e aumentando la densità semantica. L'output finale è una descrizione testuale che cattura i dettagli essenziali della scena (ad esempio, tipi di veicoli, condizioni del traffico) pur omettendo indizi visivi sensibili.

Contributi Chiave
Gli autori identificano tre contributi primari:

1. Architettura Iterativa Image-to-Text: Lo sviluppo di un framework che genera testi descrittivi semanticamente ricchi e consapevoli della privacy a partire da dati visivi, evitando l'esposizione diretta dell'immagine.
2. Meccanismo di RL Gerarchico: La progettazione di un ciclo di RL multi-stadio che raffina sia i prompt che gli output generati, migliorando la precisione oltre la generazione a singolo passaggio.
3. Apprendimento con Feedback Integrato da RAG: L'integrazione di un ciclo di apprendimento basato sul feedback utilizzando RAG per validare e ottimizzare la selezione dei prompt, aumentando la rilevanza e l'accuratezza del testo garantendo al contempo la preservazione della privacy.

Risultati e Valutazione
Il metodo proposto è stato valutato su due dataset: CFP-FP (verifica del volto di celebrità) e AgeDB-30 (verifica del volto con grandi divari di età). Il sistema è stato confrontato con modelli baseline, inclusi VLM standard, RL basato su PPO ed esistenti metodi di preservazione della privacy (AdvFace, FLDATN).

• Preservazione della Privacy: Il modello "Feedback-based RL" proposto ha dimostrato una protezione della privacy superiore. Sul dataset CFP-FP, ha ottenuto un Indice di Somiglianza Strutturale (SSIM) di 0,85 e un Rapporto Segnale-Rumore di Picco (PSNR) di 22,18, superando altri metodi nel minimizzare la somiglianza visiva con l'immagine originale. Il Mean Squared Error (MSE) era più alto (365,2), indicando una maggiore divergenza dall'immagine originale, il che è desiderabile per la privacy. Il Semantic Reconstruction Risk Assessment (SRRA) era il più basso, pari all'11,25%, suggerendo un minor rischio di recupero dell'identità.
• Qualità del Testo e Ricchezza Semantica: Nonostante il focus sulla privacy, il modello ha mantenuto un'alta utilità semantica. Ha generato descrizioni significativamente più lunghe e dettagliate rispetto alle baseline, con un conteggio di parole uniche superiore e un punteggio di somiglianza semantica di 0,7371 rispetto alla baseline, indicando un forte allineamento con il significato della scena.
• Differential Privacy: Lo studio ha incorporato la Differential Privacy (DP) iniettando rumore Gaussiano negli embedding delle frasi. I risultati hanno mostrato che l'aggiunta di piccoli livelli di rumore (ad esempio, $\sigma=0,3$) ha ridotto significativamente il budget di privacy ($\epsilon$) mantenendo al contempo una qualità del testo accettabile (punteggio BLEU di 0,756), stabilendo un misurabile compromesso tra privacy e utilità.
• Studio di Ablazione: Gli esperimenti hanno confermato che l'intero framework di feedback gerarchico ha superato le varianti che utilizzavano solo VLM, RL a singolo stadio o RL senza feedback RAG, convalidando la necessità sia del raffinamento iterativo che dell'integrazione della conoscenza esterna.

Significatività e Rivendicazioni
Il documento rivendica di essere il primo tentativo di combinare il Reinforcement Learning e i Vision-Language Models specificamente per trasformare i dati visivi in testo come mezzo di preservazione della privacy negli ITS. Gli autori sostengono che il loro approccio offre una soluzione più robusta rispetto alle tecniche tradizionali di sfocatura o offuscamento, che sono vulnerabili agli attacchi di ricostruzione. Spostando la rappresentazione dei dati dallo spazio dell'immagine allo spazio semantico/testuale, il framework previene efficacemente l'esposizione di dettagli visivi sensibili (come volti o targhe) pur mantenendo le informazioni operative necessarie per il monitoraggio del traffico. Lo studio conclude che questo metodo fornisce un meccanismo scalabile e adattivo per la trasformazione visiva-testuale preservante la privacy, adatto alla distribuzione in infrastrutture di smart city e ambienti di automazione industriale. Il lavoro futuro suggerisce di esplorare la generazione dinamica di prompt per una maggiore personalizzazione e generalizzabilità.