ID-Eraser：基于身份扰动的面部换脸主动防御
计算机视觉与模式识别
2026-04-24 v1
摘要
深度伪造技术快速发展，尤其是面部换脸对隐私和数字安全构成严重威胁。现有主动防御方法大多依赖像素级扰动，对抗能够从脸部图像中提取鲁棒高层次身份嵌入的现代换脸模型效果不佳。我们提出ID-Eraser，这是一种基于特征空间的主动防御方法，通过消除可识别的面部信息来防止恶意面部换脸。在身份嵌入中注入可学习的扰动，并通过面部复生生成器(FRG)重建自然外观的保护图像，ID-Eraser为人类观察者产生视觉上真实的结果，同时使受保护的身份对深度伪造模型不可用。实验表明，ID-Eraser在严格的黑箱设置下显著扰乱了跨多样化面部识别和换脸系统的身份识别，Top-1准确率最低可达0.30，最佳FID为1.64，LPIPS为0.020。与来自干净输入的换脸相比，受保护换脸的身份相似度在五个代表性面部换脸模型中锐减至平均值0.504。ID-Eraser还显示出强大的跨数据集泛化性、对常见扭曲的鲁棒性，并在商业API上取得实际有效果，将腾讯API相似度从0.76降至0.36。
引用
@article{arxiv.2604.21465,
title = {ID-Eraser: Proactive Defense Against Face Swapping via Identity Perturbation},
author = {Junyan Luo and Peipeng Yu and Jianwei Fei and Shiya Zeng and Xiaoyu Zhou and Zhihua Xia and Xiang Liu},
journal= {arXiv preprint arXiv:2604.21465},
year = {2026}
}