随着技术的不断提升，保护隐私信息变得越来越重要。本研究应用基于深度学习的全身匿名化框架 DeepPrivacy2，将人工身份生成应用于工业图像和视频数据，并与传统匿名化技术进行性能比较，考虑了身份生成质量、时间一致性以及姿势估计和动作识别的适用性。

May, 2024

本文提出一种带有隐私保护机制的视频动作识别模型，通过敌对训练来寻找能够最佳平衡目标任务性能与隐私保护程度的匿名转换方法，并给出了两种优化策略以实现对于攻击模型的普适隐私保护。同时，构建了一种全新的视频数据集 PA-HMDB51，为视觉隐私研究提供了有力支持。

Jun, 2019

本研究提出了一种基于自监督学习的训练框架，可以在不需要隐私标签的情况下从输入视频中删除隐私信息，并在已知行动和隐私属性协议的基础上实现具有竞争力的行动隐私平衡，同时对学到的匿名函数进行新行动评估。

Mar, 2022

提出一种面部身份变换器，实现基于密码的自动逼真化匿名化以及出现在视觉数据中的人脸的去匿名化，而不损害隐私。该方法可以使用多模态密码对面部进行匿名化和去匿名化，与现有的匿名化方法相比，不会损害隐私。

Nov, 2019

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

本文探讨了一种隐私保护的匿名化方法，它针对行人图像保留授权模型的个人身份信息（PII），同时防止第三方识别 PII。通过采用前沿的可逆学习方法，把传统隐私保护的监督式匿名方法与身份不变模型相结合训练，以保护隐私并在保证行人图像语义信息完整的同时，在重新识别任务中取得了较好的表现。

Jul, 2022

本文研究图像匿名化对计算机视觉模型训练的影响，检验了传统和逼真匿名化对人脸和全身数据集中检测、实例分割和姿态估计任务的影响，结果表明逼真匿名化最大降低可达到维护隐私的同时保持计算机视觉模型性能。

Jun, 2023

通过硬件级别的人脸去识别方法，解决了软件级别的人脸去识别在隐私安全上的漏洞问题。

Mar, 2024

通过提出一种端到端网络架构，在保护身份隐私的同时完成下游任务（如人物重新识别），我们旨在对事件流进行匿名化处理，以防止从事件相机重构图像的攻击，方法是学习对事件进行混淆，从而降低攻击者从隐私信息中恢复图像的能力。我们还通过丰富的实验验证了我们的方法，并报告了在从公开可用的 SoftBio 数据集和我们提出的 Event-ReId 数据集模拟的合成事件数据上的结果。

Aug, 2023

本文提出通过对图像进行优化来平衡隐私预算和目标任务分析性能的对抗训练框架，并且使用预算模型重启和集成策略来提高对新的黑客模型的保护性。通过使用两个隐私保护行动识别中的实验，该框架在同时维持高目标任务（行动识别）性能之余，成功抑制了隐私侵犯的风险。

Jul, 2018