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

本文提出一种带有隐私保护机制的视频动作识别模型，通过敌对训练来寻找能够最佳平衡目标任务性能与隐私保护程度的匿名转换方法，并给出了两种优化策略以实现对于攻击模型的普适隐私保护。同时，构建了一种全新的视频数据集 PA-HMDB51，为视觉隐私研究提供了有力支持。

Jun, 2019

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

人工智能的发展显著改变了人们的生活，但也对隐私和安全构成了重大威胁。因此，通过机器学习算法实现个人信息的智能保护已成为一项重要关注点。本文着重于个人数据隐私保护和匿名化的核心研究目标，通过使用机器学习的差分隐私保护算法，实现个人数据隐私保护和检测，并解决与隐私和个人数据保护相关的现有挑战，提出改进建议，分析影响数据集的因素以实现及时的个人数据隐私检测和保护。

Feb, 2024

通过提出一种端到端网络架构，在保护身份隐私的同时完成下游任务（如人物重新识别），我们旨在对事件流进行匿名化处理，以防止从事件相机重构图像的攻击，方法是学习对事件进行混淆，从而降低攻击者从隐私信息中恢复图像的能力。我们还通过丰富的实验验证了我们的方法，并报告了在从公开可用的 SoftBio 数据集和我们提出的 Event-ReId 数据集模拟的合成事件数据上的结果。

Aug, 2023

本文介绍了一个基于深度卷积神经网络和数据增强技术的解决方案，用于 IEEE Big Data Cup 2022 挑战中隐私保护匹配加密图像的任务，并在该挑战中获得第一名。主要关键词为智慧城市、智慧传感器、隐私保护、加密技术和深度卷积神经网络。

Nov, 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

提出了一种新的基于降维的隐私保护方法，该方法可生成经过降维的数据以执行机器学习任务，并防止强敌从中重构原始数据。在三个不同的人脸图像数据集上进行实验，结果显示当将维数降低到七时，可以分别实现 79％、80％和 73％的准确率，并且重构后的图像肉眼不可识别。

Feb, 2019