基于扩散模型的安全可逆人脸匿名化
计算机视觉与模式识别
2026-02-27 v2 机器学习
摘要
人脸匿名化旨在通过改变人脸来保护敏感身份信息，同时保持视觉真实性和对下游计算机视觉任务的实用性。当前方法在确保高图像质量、强安全性保证以及受控可逆性（以便在稍后进行授权身份恢复）方面存在挑战。为提高生成匿名人脸的图像质量，近期方法采用了扩散模型。然而，这些新的基于扩散的匿名化方法不提供机制将去匿名化限制为受信任方，限制了其实际应用。本文提出首个基于扩散模型的安全、可逆人脸匿名化框架，通过密钥控制实现。我们的方法直接将密钥注入扩散过程中，实现匿名化和授权人脸重建，同时防止未经授权的去匿名化。使用确定性的前向和逆向扩散步骤可保证在正确密钥可用时实现精确身份恢复。在CelebA-HQ和LFW数据集上的实验表明，我们的方法在匿名化和去匿名化方面优于先前工作。我们还展示了该方法对错误或对抗性密钥去匿名化具有鲁健性。我们的代码将对外公开。
引用
@article{arxiv.2510.01031,
title = {Secure and reversible face anonymization with diffusion models},
author = {Pol Labarbarie and Vincent Itier and William Puech},
journal= {arXiv preprint arXiv:2510.01031},
year = {2026}
}