本文提出了一种基于比特平面的图像模糊方案 Bit-ViP，旨在保护视觉隐私的同时保持图像在识别任务中的可用性。随着计算机视觉应用（如监控系统和社交媒体）的激增，数据存储在云服务器上时面临着安全和视觉隐私的威胁。现有的图像模糊方法要么容易受到恶意攻击（例如通过模型反转从模糊图像重建原始图像），要么生成不可训练的模糊图像，导致无法在识别任务中获得合理的准确率。Bit-ViP 通过引入创新的端到端模糊函数，生成安全且可用的图像。该模糊图像包含由 Lorenz 混沌系统和差分隐私生成的不可逆变噪声，使得攻击者难以重建原始图像。在 UCF101 和 HMDB51 两个流行活动识别数据集上进行了大量实验，验证了 Bit-ViP 的有效性。针对重建攻击、像素频率、信息熵和像素互相关等攻击手段，进行了严格的安全分析，结果表明 Bit-ViP 相比现有方案有显著改进。本文适合对隐私保护计算机视觉感兴趣的研究者和安全从业者阅读。