IdentityDP：面向人脸图像的差分隐私身份保护

由于人脸照片的爆炸式增长及其在社交媒体中的广泛传播与易获取性，个人身份信息的安全与隐私成为前所未有的挑战。与此同时，先进的无关身份计算机视觉技术所带来的便利颇具吸引力。因此，在使用人脸图像的同时审慎保护人们身份十分重要。给定一张人脸图像，人脸去标识化（亦称人脸匿名化）是指生成另一张具有相似外观与相同背景、但真实身份被隐藏的图像。尽管已有大量努力，现有人脸去标识化技术要么在照片真实感上不足，要么无法很好地平衡隐私与效用。本文致力于应对这些挑战以改进人脸去标识化。我们提出 IdentityDP，一种将数据驱动的深度神经网络与差分隐私（DP）机制相结合的人脸匿名化框架。该框架包含三个阶段：人脸表征解耦、$\epsilon$-IdentityDP 扰动与图像重建。我们的模型能有效混淆人脸中与身份相关的信息，保持显著的视觉相似性，并生成可用于无关身份计算机视觉任务（如检测、跟踪等）的高质量图像。与先前方法不同，我们可根据实际需求通过隐私预算调节隐私与效用的平衡，并在无预标注情况下提供多样化结果。大量实验证明了我们所提匿名化框架的有效性与泛化能力。