En tröja med ett märkligt mönster kan i vissa fall få en AI-kamera att missa människan som bär den. Tekniken kallas adversarial clothing och har gått från forskningsprojekt och digital aktivism till riktiga plagg som går att köpa. Men någon osynlighetsmantel mot kameraövervakning är det inte.
På håll ser många av plaggen mest ut som ovanligt färgstarka tröjor, jackor eller stickade plagg. Mönstret kan bestå av geometriska former, fragment som liknar ögon eller ansikten eller visuellt brus som inte verkar föreställa någonting alls.
För en människa är det fortfarande uppenbart att någon går framför kameran.
För ett datorseendesystem kan samma bild vara betydligt mer besvärlig.
Adversarial clothing bygger på att ett mönster medvetet utformas för att påverka hur en AI-modell tolkar en bild. I experiment har personer därför kunnat försvinna ur en AI-modells ruta för ”person”, få systemet att se fel objekt eller göra det svårare för en ansiktsdetektor att hitta ansiktet.
Det betyder däremot inte automatiskt att kameran slutat se personen.
Vad är adversarial clothing?
Adversarial clothing kan ungefär beskrivas som kläder som är designade för att störa datorseende.
Ordet ”adversarial” används inom AI för indata som avsiktligt konstruerats för att få en modell att fatta fel beslut. Det klassiska exemplet är en bild som ändrats så lite att en människa knappt ser skillnaden, men där en bildmodell plötsligt klassificerar motivet helt fel.
När samma idé flyttas från en digital bild till den fysiska världen blir problemet betydligt svårare.
Ett tryck på en tröja måste fortfarande fungera när:
- personen rör sig
- tyget veckas och sträcks
- ljuset förändras
- kameran står i en annan vinkel
- avståndet till kameran förändras
- bara delar av mönstret är synliga.
Därför består moderna experiment ofta av stora eller återkommande mönster över en större del av plagget, i stället för en enda liten symbol.
Att hitta en människa är inte samma sak som att känna igen personen
Här finns en viktig skillnad som ofta försvinner när adversarial clothing beskrivs som ”kläder som lurar ansiktsigenkänning”.
En modern kameraanalys kan innehålla flera steg.
1. Persondetektering
AI:n försöker först avgöra om det finns en människa i bilden och var personen befinner sig.
Det är den typen av system som kan rita en ruta runt en kropp och märka den ”person”.
Många av de mest framgångsrika adversarial-plaggen angriper just detta steg. Om modellen inte längre ger tillräckligt hög sannolikhet för att området innehåller en människa försvinner rutan, trots att personen fortfarande syns tydligt för oss.
2. Ansiktsdetektering
Ett annat system kan leta specifikt efter ansikten.
Här handlar det ännu inte nödvändigtvis om vem människan är. AI:n försöker bara lokalisera ett ansikte i bilden.
Vissa plagg och accessoarer använder därför former som stör ansiktsdetektorn eller får den att hitta falska ansikten på fel ställen.
3. Ansiktsigenkänning
Först därefter kan ett identifieringssystem jämföra ett hittat ansikte mot andra bilder eller biometriska mallar för att försöka avgöra vem personen är.
Att ett plagg lyckas störa steg ett eller två betyder alltså inte att det automatiskt kan besegra steg tre.
Det är också en distinktion som är viktig juridiskt. IMY skiljer mellan teknik som bara upptäcker ett ansikte och system som behandlar biometriska uppgifter för att identifiera en människa. Den som vill läsa mer om reglerna kan se IMY:s information om ansiktsigenkänning.
Så kan ett mönster få AI:n att se fel
En människa lär sig intuitivt hur en annan människa ser ut. Ett datorseendesystem fungerar annorlunda.
Under träningen lär sig modellen statistiska mönster som hjälper den att avgöra att en viss kombination av bildinformation sannolikt föreställer exempelvis en människa.
Ett adversarial-mönster optimeras för att störa just dessa signaler.
Det kan exempelvis få modellen att sänka sin säkerhet för kategorin ”person” så mycket att någon detektion aldrig registreras.
En annan attack kan försöka styra modellen mot en annan objektklass.
Det märkliga är att själva mönstret inte behöver se särskilt meningsfullt ut för oss. AI-modellen reagerar på strukturer och samband i bildinformationen som en människa inte använder på samma sätt.
Det är också en anledning till att adversarial-mönster ofta ser ut som abstrakt konst snarare än någon logisk form av kamouflage.
Forskare har fått riktiga tröjor att lura persondetektorer
Fenomenet är mer än bara marknadsföring.
Redan tidigare experiment visade att en utskriven adversarial patch kunde göra det betydligt svårare för automatiska system att upptäcka en person framför en kamera.
Problemet var att de första attackerna ofta fungerade bäst under ganska kontrollerade förhållanden.
Senare forskning flyttade därför mönstren till hela plagg.
I studien AdvTexture tillverkades bland annat riktiga tröjor, kjolar och klänningar med mönster som optimerats för att störa persondetektorer. En viktig del av arbetet var att attacken skulle tåla olika kameravinklar bättre än äldre små patches.
Liknande forskning har riktats mot infraröda kameror.
I ett experiment med särskilt utformade plagg sjönk prestandan kraftigt för den persondetektor som forskarna attackerade. Samtidigt visade försöken tydligt varför resultaten inte går att översätta till ett generellt skydd: effekten förändrades beroende på bland annat vinkel och avstånd.
Nyare forskning har dessutom kombinerat visuella och termiska angrepp. Experimentella plagg kan exempelvis använda material eller uppvärmda mönster som förändrar hur kroppen framträder både för vanliga kameror och infraröda sensorer.
Det är tekniskt imponerande.
Men det är fortfarande något helt annat än en jacka som gör bäraren anonym framför vilken övervakningskamera som helst.
Varför fungerar samma tröja inte mot alla AI-kameror?
Ett adversarial-mönster utvecklas normalt mot en eller flera bestämda AI-modeller.
Det skapar teknikens kanske största svaghet.
Ett mönster som är mycket effektivt mot modell A kan prestera betydligt sämre mot modell B.
Kamerans verklighet gör också attacken svårare:
- en annan lins förändrar bilden
- videokomprimering kan förändra detaljerna
- ljus och skuggor påverkar mönstret
- plagget kan vara delvis dolt
- kroppen kan ses från sidan
- flera kameror kan se personen samtidigt
- AI-systemet kan analysera flera bildrutor i följd.
Det räcker dessutom att systemet lyckas vid ett enda tillfälle.
Om en person rör sig genom hundratals videobilder behöver ansiktet eller kroppen inte vara möjligt att analysera i varje ruta. En enda tydlig bild kan räcka för vidare analys.
Digitala tester kan se mycket bättre ut än en riktig tröja
Det här är en av de mest användbara lärdomarna från den senaste utvecklingen.
I digitala tester kan forskaren lägga ett perfekt adversarial-mönster direkt ovanpå en bild. Position, färger och form blir precis som algoritmen vill ha dem.
Sedan ska mönstret tryckas på tyg.
Plötsligt påverkas resultatet av skrivaren, färgåtergivningen, materialets struktur, hur plagget sitter på kroppen och hur kameran registrerar det.
Projektet noRecognition har bland annat visat hur dramatisk skillnaden kan bli. En attack mot en YOLO-baserad persondetektor nådde mycket hög framgång i en friare digital miljö men föll kraftigt när attacken begränsades för att bättre motsvara något som faktiskt skulle kunna tryckas.
Samma projekt illustrerar också skillnaden mellan ansiktsdetektion och själva ansiktsigenkänningen.
Ett system för ansiktsigenkänning kunde ibland stoppas indirekt därför att det tidigare steget aldrig lyckades hitta ansiktet. När attacken i stället riktades direkt mot den senare igenkänningsmodellen var resultatet betydligt sämre.
Det är därför spektakulära demonstrationsfilmer bör läsas noggrant.
Att rutan runt kroppen försvinner bevisar inte att människan blivit anonym.
Kläderna går redan att köpa
Adversarial fashion var länge framför allt forskningsprojekt och konstnärliga protester mot kameraövervakning.
Nu finns en liten kommersiell marknad.
Det italienska företaget Cap_able har exempelvis gjort stickade plagg där mönstren är utvecklade för att störa vissa system för persondetektering. Företaget har både enklare tröjor och betydligt dyrare stickade plagg.
Tillverkaren är samtidigt tydlig med en begränsning som lätt försvinner när produkterna får uppmärksamhet: resultatet beror på vilken AI-modell och mjukvaruversion som används och på förhållandena runt kameran.
Det finns även andra typer av produkter.
Urban Privacy har sålt plagg där tyget innehåller former som liknar ansikten och ska försöka förvirra ansiktsdetektering.
Reflectacles arbetar i stället med glasögon som använder reflekterande och blockerande material för att störa vissa kameror och sensorer som arbetar med infrarött ljus.
Konceptet är alltså bredare än ett enda magiskt mönster.
Olika produkter angriper helt olika delar av kameratekniken.
Gamla knep fungerar inte nödvändigtvis längre
Den snabba utvecklingen av datorseende skapar dessutom en kapprustning.
Ett tidigt och känt exempel är CV Dazzle, där kraftig asymmetrisk makeup, frisyrer och geometriska former användes för att störa dåtidens ansiktsdetektorer.
Sådana metoder kunde vara effektiva mot de algoritmer de utvecklades för.
Moderna neurala nätverk hittar ansikten på andra sätt.
Det betyder att ett motiv som fungerade mot en kamera för tio år sedan inte nödvändigtvis ger någon effekt alls mot ett nytt system.
Samma sak kan hända med dagens adversarial clothing.
När attackerna blir kända kan utvecklare träna framtida modeller på just sådana bilder. Ett mönster som exploaterar en svaghet i dagens modell kan då förlora effekten i nästa generation.
Vill man förstå den bredare tekniken bakom den här typen av bildanalys finns även vår guide om hur AI fungerar.
En missad AI-detektering raderar inte videon
Det är kanske den viktigaste praktiska begränsningen.
Adversarial clothing kan påverka en algoritms analys av bilden.
Det förstör inte själva kamerabilden.
Om en persondetektor misslyckas finns människan fortfarande kvar i videon. Materialet kan sparas och granskas manuellt. Det kan analyseras igen med en annan modell. En annan kamera kan ha fångat personen från en bättre vinkel.
Ett system behöver inte heller förlita sig på ansiktet.
Automatiserad analys kan i olika sammanhang använda sådant som kropp, kläder, rörelsemönster eller hur någon förflyttar sig genom flera kamerabilder.
Ett adversarial-plagg är därför bäst beskrivet som en attack mot ett visst datorseendesystem – inte som ett allmänt anonymitetsverktyg.
Vanliga kameror och värmekameror kräver olika lösningar
Det finns ytterligare en komplikation.
En vanlig kamerabild och en värmekamera ser olika saker.
Ett starkt färgmönster kan vara relevant för en AI-modell som analyserar vanligt synligt ljus. Samma tryck kan vara nästan betydelselöst i en termisk bild där det framför allt är temperaturskillnader som framträder.
Därför har forskare experimenterat med bland annat isolerande material, värmereflektion och aktiv uppvärmning.
Samma problem finns åt andra hållet.
Ett material som förändrar kroppens termiska signatur behöver inte förvirra en vanlig kamera över huvud taget.
Att besegra ett modernt system som kombinerar flera sensortyper blir därför väsentligt svårare.
Ansiktsigenkänning har fått tydligare svenska regler
Utvecklingen är extra aktuell i Sverige eftersom användningen av biometrisk fjärridentifiering i realtid har fått en särskild rättslig ram.
Sedan den 1 juli 2026 regleras Polisens och Säkerhetspolisens användning av AI-system för bland annat ansiktsigenkänning i realtid på allmän plats genom särskild svensk lagstiftning.
Det innebär inte att polisen fritt kan använda ansiktsigenkänning överallt.
Användningen är begränsad till särskilt angivna situationer och omfattas bland annat av krav på nödvändighet och proportionalitet. Reglerna är kopplade till EU:s AI-förordning, som innehåller strikta begränsningar för biometrisk fjärridentifiering i realtid på offentligt tillgängliga platser för brottsbekämpning.
Polisen använder samtidigt automatiserad bildanalys och har beskrivit tester av ansiktsigenkänning på inspelat kameramaterial.
Det gör skillnaden mellan vanlig kamerabevakning, automatisk persondetektering och biometrisk identifiering viktigare än någonsin.
Kamerabevakning är inte samma sak som ansiktsigenkänning
En kamera på ett köpcentrum eller en gata behöver inte använda ansiktsigenkänning bara för att den har AI-funktioner.
Ett system kan exempelvis:
- räkna människor
- upptäcka att någon går in i ett område
- känna igen ett fordon
- följa rörelser i en bild
- hitta ett ansikte utan att identifiera personen.
När biometriska uppgifter används för att entydigt identifiera människor skärps dataskyddskraven.
Sverige avskaffade den 1 april 2025 det tidigare generella kravet på tillstånd från IMY för kamerabevakning, men det betyder inte att kameraövervakning blivit oreglerad. GDPR och kamerabevakningslagen ställer fortfarande krav på hur och varför personuppgifter får behandlas.
I Hurbra-artikeln om smarta glasögon och integritet finns samma grundproblem i en annan form: kameror och AI behöver inte längre vara stora och uppenbara för att kunna analysera människor i vardagen.
Är adversarial clothing lagligt i Sverige?
Det finns ingen särskild svensk lag som generellt förbjuder ett abstrakt mönster på ett plagg därför att mönstret har konstruerats för att störa en AI-modell.
Det betyder inte att kläder kan användas som något slags universellt juridiskt frikort.
Vad som är tillåtet i en konkret situation kan påverkas av helt andra regler och av vad personen faktiskt gör. Men själva principen att bära en tröja med ett adversarial-mönster är något annat än de juridiska regler som styr hur företag och myndigheter får samla in, analysera och använda biometriska uppgifter.
Den större rättsliga frågan handlar därför huvudsakligen om kamerorna och databehandlingen – inte om att det finns ett konstigt tryck på en tröja.
Kan man alltså köpa en tröja och bli osynlig för AI?
Nej.
Men den motsatta slutsatsen – att adversarial clothing bara är en bluff – är också fel.
Forskningen har gång på gång visat att fysiska mönster kan utnyttja verkliga svagheter i datorseende. Rätt utformat kan ett plagg få en bestämd persondetektor att missa en människa som står fullt synlig framför kameran.
Det fascinerande är just glappet mellan människans och maskinens bild av verkligheten.
Vi ser en människa i en märklig tröja.
AI:n kan, under rätt förhållanden, se någonting helt annat.
Men så fort kameran, modellen, vinkeln eller sensorn förändras kan illusionen försvinna. Därför är adversarial clothing bättre förstått som en pågående teknisk kapprustning än som framtidens osynlighetsmantel.