该论文提出了一种新的方法来学习视频脸部匿名化，使用对抗训练设置，在像素级别修改以匿名化每个人的脸，以确保隐私敏感信息得到删除，并尽量减少对行动检测性能的影响。

Mar, 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

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

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

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

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

本文提出了一种身份隐藏技术，通过在 StyleGAN2 的 latent space 中进行操作生成一个具有新视觉内容的虚拟人脸，然后将其与原始人脸进行可靠的叠加，以达到保护隐私和保留识别性能的目的。

Jul, 2023

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