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

对面部图像的视觉信息和恢复进行隐私保护的研究，通过修剪人可察觉的低频分量来隐藏视觉信息，并提出了 PartialFace 的隐私保护人脸识别方法，通过在随机选择的频率分量上进行识别模型的训练和推理，实现了隐私保护目标和识别准确性的平衡。

Aug, 2023

提出了一种隐私保护特征表示方法，通过嵌入原始特征和对抗特征样本的仿射子空间来消除每个特征描述符的约束并启用基于子空间距离的特征匹配，该方法可在视觉定位和建图以及人脸认证等应用中具有高的实用价值并显著增强对手窃取隐私信息的难度。

Jun, 2020

本文提出了一种新颖的隐私保护神经网络特征表示方法，使得学习到的空间中的敏感信息得以削弱，同时保持数据的实用性；该方法不仅保证了用户数据的隐私，而且还提升了算法的公平性和结果的可行性。

Feb, 2019

现代计算机视觉服务经常要求用户与不受信任的服务器共享原始特征描述符，这带来隐私风险，为解决此问题，研究人员最近提出了通过将图像特征嵌入一个仿射子空间中从而使其包含原始特征及对抗特征样本来实现特征私有化。本文提出了两种新的反演攻击方法，证明从这些嵌入中可以（近似地）恢复原始图像特征，从而能够恢复敏感的图片内容。鉴于这样的成功和现有视觉隐私方法缺乏理论上的隐私保证，我们进一步提出了第一个通过局部差分隐私来实现图像特征私有化的方法，不同于先前的方法，该方法提供了一个隐私泄露的保证边界，无论攻击的强度如何。此外，我们的方法在视觉定位作为下游任务中表现出很强的性能，并享有隐私保证。

Aug, 2023

通过频率 - 颜色融合，基于身份的嵌入映射和安全多方计算等方法，提出一种隐私保护的人脸识别方案，以降低维度、保护个人隐私并获得更高的准确率。

Jan, 2024

本文提出了一种隐私保护技术，即 PEEP，该技术可对面部图像进行扰动以防止生物特征泄漏，并利用局部差分隐私的方法在第三方服务器上运行 Eigenface 识别算法。实验结果表明，PEEP 在标准隐私设置下的分类准确率约为 70％-90％。

May, 2020

本文提出了一种隐私友好的大规模人脸识别替代方案，使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此，本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法，并通过实验验证了其有效性。

Jan, 2021

本文提出了一种对抗性重构学习框架，旨在学习一种以任务为导向的隐私保护表示，以防止模型反演攻击，采用负像素重构损失或负感知距离损失最小化来实现，展示了在面部属性预测任务中我们的方法可以在小幅度降低实用性的情况下保护视觉隐私，并提供了不同特征、任务和数据的广泛研究，以进一步分析它们对隐私保护的影响和效用 - 隐私权衡的关系。

Nov, 2019

该研究探讨了面部识别服务中的数据隐私问题，并提出了一种数据隐私最小化转换方法，该方法能够处理原始面部数据以获取模糊化的数据，并通过增强扰动方法和多重限制机制来提高方法的鲁棒性和可扩展性。实验证明该方法能有效防止面部数据滥用和隐私泄露，同时保持面部识别的准确性。

Oct, 2023