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
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
在公共空间使用人工智能不断引发对隐私和敏感数据保护的担忧，本论文介绍了一种使用定制损失函数的 ROI 来实现足够去识别化的方法，通过训练端到端优化的自编码器来实现压缩和去识别化，同时考虑了压缩率、延迟和对人脸和人物检测模型的影响。
Jun, 2024
本文探讨了一种隐私保护的匿名化方法，它针对行人图像保留授权模型的个人身份信息（PII），同时防止第三方识别 PII。通过采用前沿的可逆学习方法，把传统隐私保护的监督式匿名方法与身份不变模型相结合训练，以保护隐私并在保证行人图像语义信息完整的同时，在重新识别任务中取得了较好的表现。
Jul, 2022
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
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
我们提出了一种基于条件对抗学习的模型匿名化方法，将模型匿名化视为转换高和低空间频率信息的过程，并通过预训练的双流模型分类器将客观性与约束性相结合，以转换全范围的艺术品。
Feb, 2020
该论文提出了一种基于条件生成对抗网络的图像视频去标识化模型 CIAGAN，可以同时保证匿名性和多样性，用于保护隐私并在计算机视觉任务中得到高质量处理结果。
May, 2020
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
VerA 是一种多功能人脸图像匿名化方法，适用于具有以下特点的临床人脸图像：(1) 必须保留某些语义区域以展示医疗干预结果，(2) 匿名化图像对展示前后对比结果至关重要。VerA 在常规图像的去标识化和逼真程度方面表现出色，并通过广泛的定量和定性评估验证了其对成对匿名化、单个和成对临床图像的匿名化结果。
Dec, 2023