该研究提出了一种基于条件生成对抗网络的新型体系结构，可以在保留原始数据分布的同时自动地对图像中的人脸进行匿名处理，以隐私安全信息为基础生成图像实现了对图像中所有人脸的完全匿名化，并且引入了包括非传统姿势、遮挡脸部和背景变化巨大的人脸数据集。最后，该模型在保护图像隐私的同时也适合于进一步用于深度学习模型的训练。该模型是保证人脸匿名化的同时生成逼真图像的首个解决方案。

Sep, 2019

提出了一种基于隐私保护 GAN（PP-GAN）的新框架，将具有新颖真实性验证器和调节器模块的 GAN 用于人脸去识别问题，以确保在保持结构相似度的情况下产生去识别输出。该方法在隐私保护、实用保护和结构相似度方面的表现优于现有的人脸去识别技术，并提供了一种通过领域知识先验来封装 GAN 框架的实用解决方案。

Jun, 2018

本研究介绍了 GANonymization，一种基于生成对抗网络的面部匿名化框架，用于保护个人隐私并防止释放敏感信息。该方法被评估为能够移除识别面部属性，同时保持面部表情，是一种很有前途的面部匿名化方法。

May, 2023

本研究利用 CycleGAN 无监督图像转换框架，分别对面部有模糊和无脸部的 T1 MR 图像进行匿名化测试。结果表明，进行脸部模糊可能无法提供足够的保护措施，而脸部去除虽然提供更强的匿名化保护，但仍部分可逆。

Oct, 2018

本研究提出了一种混合方法，通过头部替换来混淆照片中的身份信息，结合参数化人脸合成技术和生成对抗网络的最新进展，该方法可以对面部参数进行控制并允许对身份进行显式操作，并且可以添加细节和整体逼真度，实验结果表明该系统的输出相对原始图像的相似度更高，同时改进了遮蔽率。

Apr, 2018

本研究提出了 IdentityDP，这是一个脸部数据去识别框架，结合了一种数据驱动的深度神经网络和差分隐私（DP）机制。通过该框架，可以有效地推断脸部相关信息，保留重要视觉相似性并生成高质量图像，同时在不预注释情况下提供多样性结果，以实际需求为依据调整隐私和效用平衡，可广泛应用于身份非特异性计算机视觉任务。

Mar, 2021

本文提出了一种名为 AnonymousNet 的新框架，该框架包含四个阶段：面部属性估计、以隐私指标为导向的面部模糊处理、定向自然图像合成和对抗扰动。AnonymousNet 不仅在图像质量和属性预测准确性方面取得了最先进的成果，而且还首次展示了面部隐私的可衡量性和可分解性，以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。

Apr, 2019

本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

Oct, 2018

使用 VQGAN 和 StyleGAN 等图像生成技术，我们提出了一种名为 PrivacyGAN 的新方法来保护面部图像的隐私，同时保持图像的可用性，特别适用于社交媒体应用。我们的方法通过将原始图像在嵌入空间内向伪装图像进行移动来实现，该方法在保护隐私指标和鲁棒性评估方面表现出了有效性。

Oct, 2023

本研究提出了一种面部去识别方法，能够实现高帧速率的全自动视频修改，通过一种新型前馈编码器 - 解码器网络架构，在保持姿势、照明和表情不变的同时，尽可能最大程度减弱身份气息，网络具有全球性，能创建自然外观的图像序列，时间扭曲少。

Nov, 2019