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

本文研究了面部模糊化对 ImageNet 视觉识别基准的影响，结果显示面部模糊化对图像识别的准确性影响很小，预训练的深度神经网络在面部模糊化的图像上表现稳定，并且面部模糊化的数据在迁移学习中同样具有良好的转移性能。

Mar, 2021

利用基于人工神经网络的现代图像识别方法，我们证明了可以从经过各种混淆保护的图像中恢复隐藏的信息，包括像素化、模糊和加密等技术，我们还证明通过训练人工神经网络即使这些图像被保护，也可以成功识别面部、识别物体和手写数字。

Sep, 2016

本文提出了一种基于深度学习的人脸修复算法，结合人脸关键点预测和图像修复，实现了对人脸姿态、表情和遮挡等多方面的修复。在 CelebA-HQ 和 CelebA 数据集上的实验表明，该算法在视觉效果和定量评估上均超过了现有算法。同时，本文还发现高质量的修复图像和其关键点可以有效提高关键点预测模型的性能，在 300W 和 WFLW 数据集上也得到了验证。

Nov, 2019

本研究提出了一种基于深度学习的面部修复方法，能够在大面积遮挡的情况下实现多角度视角的面部完成重构，并保持面部的身份特征。与传统的面部修复方法不同，该方法基于生成网络，具有特定的约束条件，能够合成具有一致身份特征的连贯面部图像，拥有更好的稳定性和合成技巧。

Jul, 2018

提出了一种盲图像修复算法，通过利用残差学习与编码解码结构来恢复缺失信息，以处理任意形状的损坏区域。

Dec, 2017

本研究中我们提出了一种用于表情驱动的视频修复的网络，利用生成对抗网络来处理静态和移动的遮挡物以生成完整的人脸图像，并借助面部标志和无遮挡参考图像来保持用户身份的一致性和情感的细节修复，为静态和动态帧中的面部视频消除遮挡提供了逼真和连贯的结果。

Feb, 2024

提出了一种名为 IN²（Implicit Neural Inpainting Network）的方法，通过显式建模位置信息来处理现实世界场景中的任意形状人脸图像，包括降采样编码器、邻居混合注意力块和隐式神经金字塔解码器，实验证明该方法在现实世界的人脸修复任务中具有较高的效果。

Jan, 2024

本文介绍了一种基于对抗性蒙版的身份保护技术（TIP-IM），该技术可以在保证视觉效果的情况下，对个人照片进行加密以保护用户的数据隐私。实验结果表明，TIP-IM 在不同实际测试场景下，能够提供超过 95% 的保护成功率，证明其在商业 API 服务中的实用性和有效性。

Mar, 2020

本研究提出了一种解决虚拟现实设备遮挡人脸问题的深度学习图像修补方案，使用户在虚拟世界中的面部外观更加逼真。

Oct, 2022