本文提出了一种针对人脸图像数据集的匿名处理方案，采用生成对抗网络的潜在空间进行优化，解决现有方案中需要额外训练神经网络、没有保存面部特征等问题，实现了既保护隐私，又适合于训练机器学习模型的效果。

Mar, 2023

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

提出了基于扩散模型的文本驱动实际面部图像编辑方法，并通过 ChatFace 交互式系统实现了精确的零样本和多属性操纵。

May, 2023

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

本文提出了一种名为 AMT-GAN 的新型人脸保护方法，旨在构建具有更强的黑盒传递性和更好的视觉质量的对抗性人脸图像，通过引入新的正则化模块以及联合训练策略来解决对抗噪声和化妆品转移中的循环一致性损失之间的冲突，实现攻击能力和视觉变化之间的理想平衡。广泛的实验验证了该方法能够保持较高的视觉质量，同时在 Face ++，Aliyun 和 Microsoft 等商业 FR API 上实现更高的攻击成功率。

Mar, 2022

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

该论文介绍了一种基于文本或图像的提示（如 “年轻的脸” 或 “惊讶的脸”）来操纵三维生成模型中形态和纹理的方法，利用了对比语言图像预训练模型（CLIP）和预训练的生成人脸的三维 GAN 模型创建了一个完全可微的渲染管道来操作网格。

Feb, 2022

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

利用扩散模型生成对抗性妆容转移以保护人脸图像隐私的研究

May, 2024

基于生成模型的隐私保护创新框架 AdvCloak 通过自动定制类别级对抗性遮蔽模型，在保持图像级自然性的同时提供改进的特征级泛化能力，进而解决社交媒体中广泛共享面部图像所带来的隐私问题。通过两阶段训练策略，这一框架不仅能够个性化适应独特的个人面部特征，还能提高面对个体间的面部差异时的特征级概括能力，并结合几种通用的几何建模方法来更好地描述源身份的特征子空间。此外，对常见和名人数据集进行的广泛定量和定性评估结果表明，AdvCloak 在效率和效果方面优于现有的最先进方法。

Dec, 2023