通过弱化扩散净化提升面部隐私保护
计算机视觉与模式识别
2025-03-14 v1
摘要
社交媒体的快速发展导致个人肖像图像的广泛分享，这种情况会因自动人脸识别（AFR）系统进行大规模监视而构成严重的隐私风险。因此，保护免受未授权 AFR 系统的面部隐私至关重要。受新兴扩散模型生成能力的启发，最近的方法利用扩散模型生成对抗性人脸图像进行隐私保护。但它们会受到扩散净化效应的影响，导致保护成功率（PSR）较低。本文首先提出学习无条件嵌入以增加对对抗性修改的学习容量，然后利用它们引导对对抗性潜在代码的修改，以弱化扩散净化效应。此外，我们集成了身份保持结构以维持原始图像与生成图像之间的结构一致性，使人类观察者能够将生成图像识别为具有与原始图像相同身份。在 CelebA-HQ 和 LADN 两个公开数据集上进行的大量实验表明，我们方法的优越性。我们方法生成的受保护人脸在可移植性和自然外观方面均优于现有人脸隐私保护方法。
引用
@article{arxiv.2503.10350,
title = {Enhancing Facial Privacy Protection via Weakening Diffusion Purification},
author = {Ali Salar and Qing Liu and Yingli Tian and Guoying Zhao},
journal= {arXiv preprint arXiv:2503.10350},
year = {2025}
}