本文提出了一种新颖的端到端人脸交换流水线用于评估面孔交换方法在隐私保护方面的效益和使用效用之间的平衡以及与基线隐私方法的差异，研究表明当前基于深度网络人脸交换受到现实世界视频中面部检测的瓶颈限制，文章针对标准儿童自闭症症状评估记录视频进行研究。

Apr, 2022

本文提出了一种基于人工智能的面部替换技术用于去匿名化驾驶员面部数据来解决交通研究数据共享中的隐私问题，并通过实验证明了这种技术在保护驾驶员个人隐私数据和人类行为研究方面的有效性和前景，最终讨论了可能的共享措施。

Jun, 2023

本研究提出了一种面部去识别方法，能够实现高帧速率的全自动视频修改，通过一种新型前馈编码器 - 解码器网络架构，在保持姿势、照明和表情不变的同时，尽可能最大程度减弱身份气息，网络具有全球性，能创建自然外观的图像序列，时间扭曲少。

Nov, 2019

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

在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。

Dec, 2018

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

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

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

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

ID-Reveal 通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征，从而在没有任何伪造训练数据的情况下，实现面部伪造检测。与现有技术相比，ID-Reveal 在面部信息伪造检测上表现出更好的泛化性和鲁棒性。

Dec, 2020