FLUID：通过潜在身份置换实现无训练面部去识别
计算机视觉与模式识别
2026-01-07 v2 人工智能
摘要
当前的面部去识别方法通过替换面部区域的可识别线索来实现去识别，但往往牺牲了贡献于真实感的实用性，如年龄和性别。为恢复受损的真实感，我们提出 FLUID（Face de-identification in the Latent space via Utility-preserving Identity Displacement），即一个单输入面部去识别框架，直接在预训练扩散模型的潜在空间中替换身份特征，而不影响模型的权重。我们将面部去识别重新解释为潜在空间 中的图像编辑任务。我们的框架通过优化由鼓励属性保持同时抑制身份信号的损失函数引导，估计身份编辑方向。我们进一步引入线性和测地线（切向基于）编辑方案，以有效导航潜在流形。在 CelebA-HQ 和 FFHQ 上的实验表明，FLUID 在身份抑制与属性保持之间实现了优越的平衡，凭借定性和定量评估均优于现有的去识别方法。
引用
@article{arxiv.2511.17005,
title = {FLUID: Training-Free Face De-identification via Latent Identity Substitution},
author = {Jinhyeong Park and Shaheryar Muhammad and Seangmin Lee and Jong Taek Lee and Soon Ki Jung},
journal= {arXiv preprint arXiv:2511.17005},
year = {2026}
}