Privacy-Preserving Face Recognition Using Trainable Feature Subtraction

人脸识别的广泛应用引起了越来越多的隐私问题，未经授权访问人脸图像可能会暴露敏感个人信息。本文探讨了针对查看和恢复攻击的人脸图像保护。受图像压缩的启发，我们提出通过原始人脸和其模型生成的再生之间的特征减法创建视觉上不具信息的人脸图像。通过在其高维特征表示上共同训练识别模型来鼓励图像中的可识别身份特征。为了增强隐私，使用随机通道重排来制作高维表示，从而得到缺乏攻击者可利用纹理细节的随机可识别图像。我们将方法总结为一种新的隐私保护人脸识别方法MinusFace。实验证明其具有高识别准确性和有效的隐私保护。其代码可在https://github.com/Tencent/TFace中获取。

本文旨在探讨面部图像保护，以防止未经授权的访问和恢复攻击，以解决面部识别技术广泛应用所带来的隐私问题。

本文提出了一种基于特征减法的面部图像保护方法，通过对原始面部图像和模型重建面部图像之间的特征减法来创建视觉上无信息的面部图像。通过对高维特征表示进行协同训练，鼓励图像中可识别的身份特征。为增强隐私保护，使用随机通道混洗来制作高维特征表示，生成随机化的可识别图像，不包含可攻击的纹理细节。最终提出了一种新的隐私保护面部识别方法MinusFace。

实验结果表明，MinusFace具有高识别精度和有效的隐私保护。研究使用了开源代码和多个数据集，包括LFW、CelebA和CASIA-WebFace。这篇论文提出的思路相比当前领域的研究更为新颖，值得进一步研究。

最近在这个领域中，还有一些相关的研究，如：《Privacy-Preserving Face Recognition via Adversarial Training》、《Privacy-Preserving Deep Face Recognition with Compressed Sensing》等。