UV Irradiation-Modified Polyester Coatings for AI Vision Protection

技术摘要：用于 AI 视觉保护的 UV 辐照改性聚酯涂层

问题陈述
计算机视觉和深度学习的飞速发展增强了监控、自动驾驶和智能终端的能力，但同时也增加了隐私滥用、去匿名化和对抗性攻击的风险。现有的防御策略主要依赖于算法方法，例如对抗样本或数字欺骗。然而，这些方法通常存在模型依赖性（在模型更新后效能下降）、保护效果与可见图像退化之间的权衡，以及在面对光照和传感器特性等现实世界变化时缺乏鲁棒性的问题。此外，在图像采集阶段进行干预的物理层保护策略仍有待深入探索，特别是那些能够定量建立材料微观结构与 AI 特征提取响应之间联系的方法。

研究方法
本研究提出了一种基于材料的物理层防御策略，使用含有废弃玻璃微球 (GM) 和反射玻璃微球 (RGM) 的 UV 固化聚酯涂层。研究方法包括：

1. 材料合成： 通过火焰球化技术将废弃玻璃加工成微球。其中一部分通过热蒸发或磁控溅射进行金属化处理（Al 或 Ag），以制备出反射微球 (RGM)。
2. 配方与固化： 将微球引入 UV 固化聚酯树脂体系中。利用多目标框架优化配方，以平衡两种 UV 辐照波长（365 nm 和 395 nm）下的光学透明度、雾度和机械性能。
3. 表征分析： 对优化后的涂层进行热稳定性（TGA, DSC）、化学结构（FTIR）、光学常数（通过椭圆偏振光谱仪测定折射率 $n$ 和消光系数 $k$）以及表面形貌（SEM, EDS）的分析。
4. AI 视觉评估： 通过测量涂层对图像质量指标（SSIM, PSNR）和高频特征提取（Sobel 边缘强度、Laplacian 方差）的影响来评估其保护效能，并与未涂层和空白涂层对照组进行比较。

关键结果

• 优化： 确定了针对两种辐照波长的最佳配方。在 365 nm 波长下，表现最佳的配方包括 0.2 $\text{g mL}^{-1}$ RGM、0.3 $\text{g mL}^{-1}$ GM 以及二元混合物（各 0.15 $\text{g mL}^{-1}$）。在 395 nm 波长下，最佳负载量向更高浓度偏移（例如 0.6 $\text{g mL}^{-1}$ RGM, 0.8 $\text{g mL}^{-1}$ GM）。
• 热稳定性与机械稳定性： 涂层表现出良好的热稳定性，分解温度（$T_{d5\%}$）范围为 294.6°C 至 310.2°C。无机微球（尤其是 RGM）的加入增强了 800°C 下的残余质量，表明提高了耐热性。机械完整性得以保持，未出现明显的脆化现象。
• 光学性质： 涂层展示了可调控的光学常数。消光系数 ($k$) 表现出强烈的波长依赖性，在 UV 区域具有更高的衰减。混合配方（RGM + GM）提供了平衡的剖面，在有效衰减 UV 辐射的同时保持了可见光的透明度。
• AI 视觉干扰： 图像级评估显示，含微球的涂层诱导了受控的光学扰动。与未涂层样本（SSIM 1.0000, Laplacian 方差 685.35）相比，优化的混合涂层（365 nm, 0.15 $\text{g/mL}$ 各）将结构相似性指数（SSIM）降低至 0.9269，并将峰值信噪比（PSNR）降至 27.88 dB。至关重要的是，对计算机视觉至关重要的高频特征被显著抑制，Laplacian 方差降至 105.80，Sobel 边缘强度降至 43.87。
• 人类感知： 尽管机器可读特征发生了退化，但涂层图像对人类观察者而言仍保持清晰可辨，这表明该涂层在破坏算法识别能力的同时，保留了视觉实用性。

意义与主张
本文声称建立了“材料结构–光学调制–AI 响应”的关系，证明了物理层干预可以有效地降低机器感知的特征，同时保留人类感知。这项工作的意义在于：

1. 模型无关的防御： 不同于算法防御，该方法在图像形成过程中调制光学场，提供了一种独立于特定下游 AI 模型或处理流程的保护。
2. 可持续性： 废弃玻璃微球的集成使废弃固体资源实现了价值化，为生产功能性隐私涂层提供了可扩展且可持续的途径。
3. 定量设计原则： 研究提供了将微球类型、负载量及 UV 固化条件与光学常数及 AI 识别指标相联系的定量数据，为设计可扩展的、基于涂层的隐私保护技术提供了框架。

作者总结道，通过在物理采集阶段进行干预，该策略为基于算法的防御提供了一种强有力的替代方案，尽管他们也指出，材料微观结构与 AI 特征提取之间的关系在更广泛的背景下仍需进一步的定量建立。