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

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

该研究介绍了三种人脸访问模型，使用深假面替换未经批准的面孔，并提出了适用于此任务的新度量标准，通过在真实数据集和两个合成数据集上测试，证明了该系统的有效性，并对相似性度量、深假面生成器和数据集进行了广泛分析。

Nov, 2022

利用生成型神经网络构建一个新的面部去标识化流程，它可以合成虚拟的替代面部并应用于图像和视频中去标识化受试者，同时保留非身份相关的数据方面，并且证实这种基于 GNN 的去标识化方法非常有效，其去标识化后的图像能够达到近似随机的识别效果。

Jul, 2017

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

研究提出了一种基于知觉不可辨别性 (PI) 的隐私保护机制，即 PI-Net，以保护图像数据集中的敏感信息，并提高隐私保护的效用，取得了显著的优势。

Apr, 2021

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

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