FaceLinkGen：重新思考隐私保护人脸识别中的身份泄露问题
计算机视觉与模式识别
2026-03-31 v2
摘要
基于转换的人脸隐私保护识别（PPFR）旨在验证身份的同时隐藏人脸数据，以防止攻击者和恶意服务提供者获取信息。现有的评估大多将隐私视为对像素级重建的抵抗力，测度为 PSNR 和 SSIM。我们指出，这种以重建为中心的观点存在缺陷。我们提出 FaceLinkGen，一种从受保护模板中直接执行链接/匹配和人脸重生成的身份提取攻击，而无需恢复原始像素。在三个最近的 PPFR 系统上，FaceLinkGen 达到 98.5% 以上的匹配准确率和 96% 以上的重生成成功率，甚至在几乎零知识设定下仍可实现 92% 以上的匹配和 94% 以上的重生成。这些结果暴露了像素扰动指标（广泛用于 PPFR 评估）与实际隐私之间的结构性差距。我们表明，视觉隐写会使身份信息对外部入侵者和不可信服务提供者均暴露于众。
引用
@article{arxiv.2602.02914,
title = {FaceLinkGen: Rethinking Identity Leakage in Privacy-Preserving Face Recognition with Identity Extraction},
author = {Wenqi Guo and Shan Du},
journal= {arXiv preprint arXiv:2602.02914},
year = {2026}
}