IDDM：可调隐私-效用权衡的身份解耦个性化扩散模型
计算机视觉与模式识别
2026-04-02 v1
摘要
个性化文本到图像扩散模型（如 DreamBooth、LoRA）使用户能够从少量参考照片中合成高保真化身，用于社交表达。然而，一旦这些生成内容发布到社交媒体平台（如 Instagram、Facebook），它们就可能通过面部识别系统与真实用户关联，从而实现身份跟踪和轮廓化。现有防御主要遵循反个性化策略，通过扰乱模型微调来保护公开发布的参考照片。虽然对防止未授权个性化有效，但并不解决另一个实际场景：即允许进行个性化，但生成的公共输出仍泄露身份信息。为此，我们提出一种新型防御方案，称为模型侧免疫，其目标是产生支持授权个性化同时减少公共生成身份可链接性的模型，可针对不同隐私需求实现可调的隐私-效用权衡。为此，我们提出身份解耦个性化扩散模型 (IDDM)，一种模型侧防御，将身份解耦集成到个性化管道中。具体而言，IDDM 遵循交替过程，在身份解耦数据优化中交织短暂的个性化更新，使用两种阶段计划平衡身份可链接性抑制和生成效用。广泛的实验在多个数据集、不同提示和最先进的面部识别系统上表明，IDDM 在保持高质量个性化生成的同时，一致有效减少身份可链接性。
引用
@article{arxiv.2604.00903,
title = {IDDM: Identity-Decoupled Personalized Diffusion Models with a Tunable Privacy-Utility Trade-off},
author = {Linyan Dai and Xinwei Zhang and Haoyang Li and Qingqing Ye and Haibo Hu},
journal= {arXiv preprint arXiv:2604.00903},
year = {2026}
}