提出了一种基于生成模型的低维流形中的对抗潜在编码来保护面部隐私的方法，该方法利用用户定义的化妆文本提示和保存身份信息的正则化来引导对潜在空间中的对抗编码的搜索，实验结果表明该方法的人脸隐私保护效果优于现有技术。

Jun, 2023

本文介绍了基于潜在扩散模型（LDMs）的图像匿名化的方法，该方法是首次根据 LDMs 进行图像匿名化的方法，实现了身份混淆并更好地保留了原始图像内容。

Mar, 2024

本文提出了一种基于局部属性编辑的新方法 MaskFaceGAN，采用最先进的生成对抗网络（StyleGAN2）的潜在编码进行优化，通过不同 iable 的属性分类器和面部解析器执行多个约束条件，实现对人脸图像的局部面部属性进行编辑，达到了极高的图像质量，在 1024x1024 的高分辨率下进行编辑，而且相对于现有的竞争性解决方案，其属性交错问题更少。

Mar, 2021

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

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

为了解决社交媒体、照片设备的普及，以及人脸识别系统的不断增加所带来的图像隐私问题，我们提出了一种基于未经条件训练的生成模型的潜在空间的图像混淆新方法，该方法能够合成高分辨率、逼真的面部图像，并以满足局部差分隐私的形式进行操作。据我们所知，这是首个满足人的 ε- 差分隐私的图像隐私方法。

Mar, 2021

本文提出了一种新颖的算法，通过对面部图像进行不可感知噪声的添加，从而实现对用户选择的关键属性的匿名化处理，既可以匿名关键属性，又能保护图像质量和身份信息。

May, 2018

本研究利用 CycleGAN 无监督图像转换框架，分别对面部有模糊和无脸部的 T1 MR 图像进行匿名化测试。结果表明，进行脸部模糊可能无法提供足够的保护措施，而脸部去除虽然提供更强的匿名化保护，但仍部分可逆。

Oct, 2018

本研究提出通过 StyleGAN 生成器的潜在空间编辑面部属性，通过训练专门的潜在空间转换网络并在损失函数中添加显式的分离和身份保存项来控制和保护身份，并介绍了一个将面部编辑推广到视频的流程。在真实图像和视频方面表现出出色的性能。

Jun, 2021

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