本文介绍了半对抗网络（SAN）的应用，以加强面部图像软生物特征上的隐私保护。作者提出了一种新的方法 FlowSAN，以解决 SAN 在多个未见过的性别分类器中的泛化问题。该方法通过将不同的 SAN 模型组合在一起，以提升模型的泛化能力。作者进行了大量实验，证明了该方法的有效性。

May, 2019

该论文设计和评估了一种卷积自编码器，通过扭曲输入的人脸图像来保护个人隐私，使用半对抗训练方案训练模型，实现图像模糊化编码，扰动后的图像可用于脸部评价但不适用于性别分类和生物识别。该方案在扰动图像的逼真性、性别属性混淆和生物识别性能三个方面得到了验证，证明了提升人脸图像的性别隐私的有效性。

Dec, 2017

通过使用基于 GAN 的半对抗网络（PrivacyNet）的图像扰动方法，我们很好地实现了对输入面部图像进行软生物特征隐私的保护，在面部图像用于匹配目的时仍能够进行匹配，但无法可靠地被用于属性分类器。

Jan, 2020

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

本研究使用自动编码器和半监督学习与 GAN 算法的组合（SGAN），并将其作为分类器，仅使用 100 个标记样本即可将精度提高达 91％，以检测虚假账户，适用于社交媒体的大规模数据。

Dec, 2022

通过生成式对抗网络（GANs）的模型设计，训练一个 U 型卷积神经网络，用于隐藏声音数据中的敏感个人信息，例如性别等。

Jun, 2020

深度网络在进行面部识别训练时，隐含地编码了性别信息，但由此导致面部描述符对隐私泄露和性别偏见的影响发生，本文提出了一种名为 AGENDA 的新型对抗去性别偏差算法，能够显著降低面部描述符中性别信息的可预测性，从而减少面部验证中的性别偏见，同时保持良好的识别性能。

Jun, 2020

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

本文提出了一个用于在监控环境中检测人员属性（如性别、种族、服装等）的深度架构，并通过深度卷积生成对抗网络（DCGAN）增强图像来处理监控拍摄中经常出现的低分辨率和遮挡问题。实验证明，结合我们的生成重构和深度属性分类网络，即使分辨率很低且整个人物图像有强烈的遮挡，我们也能有效地提取属性。

Jul, 2017

本研究利用具有解离表示的 StyleGAN 模型，提出了一种在特征空间中搜索对抗潜在编码的框架，可通过文本提示或参考图像来引导搜索，并采用基于元学习的优化策略，在保持不被人类发现的同时成功欺骗法医人脸识别器的同时，成功生成了以指定属性集为真实的对抗伪造面部。

Jun, 2023