本论文提出了一种名为 Fawkes 的系统，它通过帮助用户在发布照片之前添加不可见的像素级变化（我们称之为 “隐身衣”）来帮助个人防范未经授权的人脸识别模型的侵犯，并在实验中验证其在保护用户隐私方面达到了 95％以上的成功率。

Feb, 2020

该篇研究论文提出了一种名为 Face-Off 的隐私保护框架，旨在通过对用户面部进行策略性扰动来防止它被正确识别，该框架能够欺骗微软、亚马逊和 Face++ 等三种商业人脸识别服务，并且用户研究表明，所进行的扰动对用户的成本是可以接受的。

Mar, 2020

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

本文旨在通过研究社交媒体数据中人员识别的准确性，为我们日益涉足虚拟空间，隐私受到威胁的新现实提供理解。我们定义了多种场景并提出了一种强大的人员识别系统，证明即便在人脸被模糊处理的情况下，仍然能威胁到用户的隐私安全。本文详细论述了我们的实验结果及其涵义。

Jul, 2016

该文研究了面部识别系统，并提出了可以应对这种系统的对抗滤镜，实验表明这种滤镜可以有效的通过包含面部检测和大规模数据库的工业流水线，同时发布了易于使用的 Web 工具来降低 Amazon Rekognition 和 Microsoft Azure Face Recognition API 的准确性。

Jan, 2021

本研究提出了一种基于对抗特征的面部隐私保护 (AdvFace) 方法，通过在对手模型中生成对抗性的潜在噪声来破坏从对抗性特征到面部图像的映射，生成隐私保护的对抗性特征来防御面部重建攻击。实验表明，AdvFace 在维护面部识别准确性的同时，比目前最先进的面部隐私保护方法更有效地防御重建攻击。

May, 2023

本研究旨在探讨视觉隐私保护算法的公平性，利用 PubFig 数据集的实验结果表明，常用的视觉隐私保护算法提供的隐私保护在群体之间不均等。

Jan, 2023

本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

Jun, 2022

本文研究了简单易用的图像处理技术如何影响面部识别软件通过一个唯一的图像来识别一个人的各种面部图像，以应对随着虚拟和物理身份日益交织在一起，隐私和安全在在线领域中的重要性变得日益重要的情形。

May, 2023

开发了面向在线多媒体共享隐私保护的对抗隐私保护过滤器（APF），其中采用了一种以端云协作为基础的对抗攻击框架，验证了其高效性和有效性。

Jul, 2020