这篇于2026年5月28日提交到arXiv的论文（编号arXiv:2605.30544，cs.CV，交叉cs.CR）由Gudrun Schappacher-Tilp等四位作者撰写，提出了一套以隐私保护为核心设计的边缘端视觉监控概念验证系统。论文的核心问题在于：依赖云端AI推理的视觉监控系统必须把原始图像数据发送给外部服务，这与《通用数据保护条例》（GDPR）所确立的数据最小化原则存在根本冲突。作者的解决思路是把全部推理限制在边缘设备本地完成，使图像数据在任何环节都不跨越网络边界。
在技术实现上，系统采用一块Raspberry Pi 5单板计算机作为主平台，并搭配Hailo-8L AI加速器。目标检测模型选用YOLOv5n-seg，经编译后在该加速器上运行，实现实时目标检测。推理完成后，原始像素缓冲区会被立即丢弃，不保存、也不外传。随后，一个有状态的触发引擎只把最小的JSON事件载荷转发给本地部署的Phi-3 Mini大语言模型。该模型参数量为38亿，采用Q4_0量化，负责生成一到两句话的自然语言告警，供人工操作员阅读。整个流程中只有生成的文本告警会被传输，没有任何图像数据越过网络边界。
论文详细描述了完整的系统架构与实现方式，并报告了在目标硬件上实测的推理延迟和资源占用情况，同时给出了若干具有代表性的生成告警示例。这些结果说明，把专用神经网络加速器与端侧大语言模型结合在同一台单板计算机上不仅可行，而且能够产出可实际部署、人类可读的监控输出。作者指出，该设计从架构层面即符合GDPR第5条第1款(c)项的数据最小化要求，属于“设计即隐私”的实践。
论文篇幅为6页，包含4幅图、3张表和1段代码清单，ACM分类为I.4.7、I.2.7与K.4.1，MSC分类为68T45和68T50。需要注意的是，该研究定位为概念验证，重点在于验证架构可行性与合规对齐，而非大规模生产环境下的性能评估；论文摘要中未给出具体的延迟数值或功耗数据，这些细节需查阅全文。