本论文提出了一种名为 Fawkes 的系统，它通过帮助用户在发布照片之前添加不可见的像素级变化（我们称之为 “隐身衣”）来帮助个人防范未经授权的人脸识别模型的侵犯，并在实验中验证其在保护用户隐私方面达到了 95％以上的成功率。

Feb, 2020

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

该论文提出 AdvFaces，一种基于生成对抗网络 (GAN) 的自动化方法，用最小的扰动生成看似合法但实际上能够欺骗最新人脸识别系统的假冒人脸或模糊真正主题的攻击性人脸图像。

Aug, 2019

提出了一种基于相似性的检测系统，通过将输入数据与已知原型进行比较，分析相似度降低，来进行视频分类，识别潜在的深度伪造图像或之前未见过的类别，PUDD 在 Celeb-DF 上达到 95.1% 的准确率，表现优于最先进的深度伪造图像检测方法，同时在推断过程中，在图像分类和深度伪造图像检测任务中表现出了良好的性能，且重新训练只需 2.7 秒，并且相对于最先进的模型，排放出的碳排放量减少了 10^5 倍，更加环保。

Jun, 2024

本文提出了一种新的算法，基于保护肖像实施先发制人的策略，将与关键面部属性密切相关的信息隐秘编码嵌入正式图片中，以便检测被篡改的图像，实验证明，该方法对于各种类型的伪造具有较好的鲁棒性。

May, 2023

该篇研究论文提出了一种名为 Face-Off 的隐私保护框架，旨在通过对用户面部进行策略性扰动来防止它被正确识别，该框架能够欺骗微软、亚马逊和 Face++ 等三种商业人脸识别服务，并且用户研究表明，所进行的扰动对用户的成本是可以接受的。

Mar, 2020

本研究提出一种名为 DeepCloak 的防御性机制，通过识别和删除深度神经网络模型中多余的特征，限制攻击者生成对抗样本所需使用的维度，增强模型的抗干扰性能。实验结果表明，DeepCloak 能够提高最先进的深度神经网络模型对抗样本的性能。

Feb, 2017

为了解决文本到图像扩散模型对抗攻击的问题，本研究提出了 MetaCloak 方法，利用元学习框架和附加的转换采样过程来解决双层毒化问题，从而产生可转移和鲁棒的扰动。通过对 VGGFace2 和 CelebA-HQ 数据集的大量实验证明，MetaCloak 优于现有方法，能够在黑盒方式下成功欺骗 Replicate 等在线训练服务，展示了 MetaCloak 在实际场景中的有效性。

Nov, 2023

本文提出了一种新颖的框架，将从通用图像数据集中学习的基本视觉特征转移至监督人脸识别模型，以应对看似相似的人脸在进行整形手术或伪装后造成的识别挑战，并在两个数据集上进行了实验，结果表明该算法在人脸识别方面表现最优秀，尤其是在数据野外环境 (DFW) 数据库上，误识率为 1% 时可获得超过 87% 的验证准确率，比使用 VGGFace 计算得到的基准结果高出 53.8%。

Nov, 2018

开发了面向在线多媒体共享隐私保护的对抗隐私保护过滤器（APF），其中采用了一种以端云协作为基础的对抗攻击框架，验证了其高效性和有效性。

Jul, 2020