待看

  1. SynthoGestures: A Novel Framework for Synthetic Dynamic Hand Gesture Generation for Driving Scenarios
  2. LensTouch: Touch Input on Lens Surfaces of Smart Glasses
  3. Demo of Z-Ring: Context-Aware Subtle Input Using Single-Point Bio-Impedance Sensing
  4. AGI is Coming… Is HCI Ready?
  5. ShadowTouch: Enabling Free-Form Touch-Based Hand-to-Surface Interaction with Wrist-Mounted Illuminant by Shadow Projection
  6. Paper 29: TouchType-GAN: Modeling Touch Typing with Generative Adversarial Network
  7. enAssist: Making Image Generation Accessible
  8. TacNote: Tactile and Audio Note-Taking for Non-Visual Access
  9. CubeSense++: Smart Environment Sensing with Interaction-Powered Corner Reflector Mechanisms
  10. SmartPoser: Arm Pose Estimation with a Smartphone and Smartwatch Using UWB and IMU Data
  11. 1. Missing Modality Imagination Network for Emotion Recognition with Uncertain Missing Modalities
  12. 2. MMGCN: Multimodal Fusion via Deep Graph Convolution Network for Emotion Recognition in Conversation

attack

2023

Protecting Your Voice from Speech Synthesis Attacks | Proceedings of the 39th Annual Computer Security Applications Conference (acm.org)
近年来，语音合成备受关注，它旨在以目标说话者的声音生成合成讲话。尽管语音合成技术促进了广泛的应用，对我们的日常生活产生了积极影响，但它也可以被攻击者用来执行语音合成攻击。攻击者可以使用这种技术模仿受害者的声音，并将任意选择的文本或语音样本转换为受害者所说的相同内容。为了保护说话者的声音免受语音合成攻击，在本文中，我们提出了两种新颖的防御方案，说话者可以使用它们来处理他或她的演讲，然后再将其发布在社交媒体平台上或发送给其他人。处理后的语音不仅可以显着降低语音合成系统的性能，还可以保持说话者的声音，以便它们仍然可以用于正常目的。通过在几个真实世界的说话人识别（SR）系统上进行的广泛实验和公共众包平台上的用户研究，验证了所提出的防御方案的理想性能。

FaceReader: Unobtrusively Mining Vital Signs and Vital Sign Embedded Sensitive Info via AR/VR Motion Sensors | Proceedings of the 2023 ACM SIGSAC Conference on Computer and Communications Security
近年来，增强现实和虚拟现实（AR/VR）的市场规模一直在迅速扩大，面罩式耳机的使用从游戏扩展到各种应用领域，如教育、医疗保健和军事。尽管增长迅速，但对通过传感器丰富的耳机泄露信息的理解仍处于起步阶段。耳机的一些内置传感器不需要用户许可即可访问，任何应用程序和网站都可以获取它们的读数。虽然这些不受限制的传感器通常被认为没有隐私风险，但我们发现对手可以通过仔细检查传感器读数来发现私人信息，使现有的AR/VR应用程序和网站成为潜在的窃听者。在这项工作中，我们研究了一种名为FaceReader的新颖、不显眼的隐私攻击，它基于不受限制的AR/VR运动传感器重建高质量的生命体征信号（呼吸和心跳模式）。FaceReader建立在耳机紧密安装在用户面部的关键洞察力之上，允许运动传感器检测用户呼吸和心跳产生的细微面部振动。基于重建的生命体征，我们进一步调查了三种更高级的攻击，包括性别识别、用户重新识别和体脂比估计。此类攻击带来了严重的隐私问题，因为对手可能会获得用户敏感的人口统计/生理特征，并可能暴露他们的真实世界身份。与之前依赖演讲和活动的隐私攻击相比，FaceReader针对的是人体自然产生的、对受害者不显眼的自发呼吸和心跳活动。特别是，我们设计了一种自适应过滤器，以动态减轻身体运动的影响。我们进一步采用先进的深度学习技术来重建生命体征信号，实现与专用医疗仪器相当的信号质量，并获得敏感的性别、身份和体脂信息。我们在3个月内对三种主流AR/VR耳机上的35名用户进行了广泛的实验。结果表明，FaceReader可以以低平均误差重建生命体征并准确检测性别（超过93.33%）。该攻击还可以跨不同应用程序、网站和纵向会话链接/重新识别用户，准确率超过97.83%。此外，我们首次成功尝试从运动传感器数据中揭示体脂信息，实现了4.43%的极低估计误差。