本文介绍一种新的面部匿名化方法，名为 FIVA，提出了使用身份追踪实现一致的面部匿名化，并保证与原始面部有很强的区别。FIVA 对于 0.001 的误通过率具有 0 的真阳性。我们的工作考虑到了重建攻击这一重要的安全问题，并对对抗性噪声、均匀噪声和参数噪声应用不同的防御和保护方法来破坏重建攻击。此外，我们还展示了重建攻击模型可以用于检测深度伪造。最后，我们提供了实验证据，展示了 FIVA 如何甚至能够在单个目标图像上进行面部交换。

Sep, 2023

本文研究图像匿名化对计算机视觉模型训练的影响，检验了传统和逼真匿名化对人脸和全身数据集中检测、实例分割和姿态估计任务的影响，结果表明逼真匿名化最大降低可达到维护隐私的同时保持计算机视觉模型性能。

Jun, 2023

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

本文提出了一种名为 AnonymousNet 的新框架，该框架包含四个阶段：面部属性估计、以隐私指标为导向的面部模糊处理、定向自然图像合成和对抗扰动。AnonymousNet 不仅在图像质量和属性预测准确性方面取得了最先进的成果，而且还首次展示了面部隐私的可衡量性和可分解性，以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。

Apr, 2019

提出一种利用三维信息对手术室的多视角 RGB-D 视频记录进行自动化匿名化的新方法，该匿名化方法通过将每个图像中的人脸替换为不同的人脸来保持原始数据分布的一致性，以便进一步的下游任务。

Mar, 2024

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

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

我们提出使用多视角三维数据来匿名化多角度的手术室录像，借助 RGB 和深度图像，将多个摄像头的图像融合成场景的三维点云表示，利用参数化人体网格模型对检测到的三维人体关键点和融合的三维点云进行回归以定位面部，并在每个摄像头视角中渲染出人体网格模型，替换每个个体的面部。我们的方法在定位面部方面比现有方法表现更好，DisguisOR 通过对每个摄像头视角进行几何一致性的匿名化，实现了更真实、对下游任务的影响更小的匿名化，该方法旨在解决手术室中的障碍和拥挤对现有匿名化方法的不足，并为 Surgical Data Science 领域的后续研究提供潜在的便利。

Jul, 2023