使身份不可提取但可感知：基于合成的照片中主体人脸隐私保护
密码学与安全
2025-09-16 v1
摘要
基于深度学习的人脸识别（FR）技术加剧了照片分享中的隐私问题。为此，研究界开发了一系列反FR方法来阻止未经授权的FR系统提取身份信息。得益于准不可感知的修改，基于扰动的方法非常适合照片中主体人脸的隐私保护，因为它们允许熟悉的人通过肉眼识别主体。然而，我们通过理论分析和实验验证揭示了基于扰动的方法提供了一种虚假的隐私感。因此，应该寻找新的替代方案来保护主体人脸。在本文中，我们探索了基于合成的方法作为一个有前景的解决方案，其挑战在于使熟悉的人能够识别主体。为了解决这一挑战，我们提出了一个关键见解：在大多数照片分享场景中，熟悉的人通过身份感知而非细致的人脸分析来识别主体。基于这一见解，我们提出了第一个专门针对主体人脸的基于合成的方法，即PerceptFace，它可以使身份不可提取但可感知。为了增强身份感知，我们设计了一种新的面部感知相似性损失，减少了人类视觉高度敏感区域的变化。作为一种基于合成的方法，PerceptFace 本质上可以提供可靠的身份保护。同时，不受细致人脸分析的局限，PerceptFace 从更实际的角度关注身份感知，这也通过设计的感知相似性损失得到增强。充分的实验表明，与现有方法相比，PerceptFace 在身份保护和身份感知之间实现了优越的权衡。我们提供了 PerceptFace 的公共 API，并相信它有潜力成为一种实用的反FR工具。
引用
@article{arxiv.2509.11249,
title = {Make Identity Unextractable yet Perceptible: Synthesis-Based Privacy Protection for Subject Faces in Photos},
author = {Tao Wang and Yushu Zhang and Xiangli Xiao and Kun Xu and Lin Yuan and Wenying Wen and Yuming Fang},
journal= {arXiv preprint arXiv:2509.11249},
year = {2025}
}