基于身份与属性特征联合建模的可逆人脸匿名方法研究.pdf

摘要

近年来，人脸图像的大量使用极大方便了人们的日常生活和工作，但是也直

接或间接导致了大量隐私泄露事件的发生。因此，人脸图像隐私保护受到了广泛

的关注。由于生成对抗网络在合成真实图像方面展现出优秀的潜力，其为解决人

脸隐私泄露问题提供了新思路。生成对抗网络现已被广泛应用于匿名合成保护，

并且展现出广阔的发展前景。然而，现有匿名方法仍然存在以下问题亟待解决：

1）难以在保护隐私的同时最大化面部属性的可用性；2）难以对隐私保护结果进

行最小化损失的可逆建模。

针对问题一，探索了基于多尺度特征分析的人脸匿名方法。首先，利用自监

督学习方法训练得到人脸合成网络以将输入特征转换为真实人脸图像；其次，利

用-匿名方法处理面部多尺度敏感特征以保护人脸身份信息；最后，利用人脸合

成网络将匿名处理后的多尺度特征合成全新的匿名图像。依托于自监督模型的泛

化能力，该方法能够实现对图像部分非身份属性的直接控制，有助于保持匿名结

果的面部属性可用性。

针对问题二，探索了基于多条件联合控制的可逆人脸匿名方法。首先，利用

部分预训练模型得到多条件控制模型；其次，提出基于身份空间采样的特征偏转

方法以对身份特征匿名化处理；最后，引入特征隐写模块对图像进行隐写，实现

可逆匿名。该方法以可逆网络在理论上的信息无损性为基础，利用特征隐写实现

图像可逆恢复，并在模型中引入背景拼接模块用于降低恢复图像的背景信息损失。

这在理论和模型两个维度上保证了最小化信息损失的可逆。

为了验证所提方法的有效性，本文在多个公开数据集上开展实验。通过与现

有方法展开对比，发现本文提出的方法在多个评价指标上表现更佳。同时对研究

点2与研究点1的结果进行比较，发现研究点2在匿名能力和面部属性可用性方

面均有所提升。最后，依托于本文所提出的方法，设计并开发了一个人脸隐私保

护系统。

关键词：人脸图像，生成对抗网络，隐私保护，可逆

ABSTRACT

Inrecentyears,themassiveuseoffaceimagesnotonlyhasgreatlyfacilitated

peoplesdailylifeandwork,butalsohasdirectlyorindirectlyledtoalargenumberof

privacydisclosure.Therefore,faceimageprivacyprotectionhasreceivedwide

attention.Asgenerativeadversarialnetwork(GAN)hasshownexcellentpotentialin

synthesizingrealimages,theyprovidesnewideasforsolvingtheproblemofface

privacyleakage.Nowadays,GANiswidelyusedforprivacyprotectionby

anonymizationandhasshownbroaddevelopmentprospects.However,existing

methodsstillhavethefollowingproblemstobeaddressed:1)itisdifficulttomaximize

theavailabilityoffacialattributeswhileprotectingprivacy;2)itisdifficulttominimize

lossreversiblemodelingofprivacyprotectionresults.

Forthefirstproblem,thesisexploresafaceanonymizationmethodbasedonmulti-

scalefeatureanalysis.First,wetrainafacesynthesisnetworkbasedonaself-supervised

l