随着人脸识别系统的广泛应用，由此带来的隐私问题日益凸显。人脸识别系统的各个环节（包括采集、传输、存储、识别）都可能泄露人脸数据，对用户的身份信息造成严重威胁。为了保护人脸图像隐私，研究者已经提出了诸多基于生成对抗网络的人脸匿名方法，匿名后的人脸图像依然保留了一定的可用性，如视觉逼真性、可被检测性等。但是这些匿名人脸图像已经不具备代表特定身份信息的能力，无法被直接用于人脸识别系统的注册和识别。针对这一局限性，我们提出了可识别虚拟人脸生成，可使得生成的匿名人脸图像在虚拟空间仍然能被合法用户正确识别。这样做的好处是，在不可信的第三方人脸识别平台上，用户可以提交本地生成的虚拟人脸用于注册和识别。如图1所示，我们通过密钥将原始人脸迁移为可识别的虚拟人脸。每个用户都可以生成多个可识别的虚拟人脸（虚拟ID），用于不同应用场景下的人脸注册和识别，从而在源头上保护人脸隐私。
图1：可识别虚拟人脸生成应用场景
我们首先定义了生成可识别虚拟人脸需要满足的四条性质：
(1) 匿名性（anonymization）：虚拟人脸和原始人脸属于不同的身份信息，即真实ID和虚拟ID是不一致的;
(2) 多样性（diversity）：通过不同密钥为同一用户所生成的虚拟人脸属于不同的虚拟ID;
(3) 可识别性（identifiability）: 通过相同密钥为同一用户（不同人脸样本）所生成的虚拟人脸属于相同的虚拟ID;
(4) 可分离性（separability）: 通过相同或不同密钥为不同用户所生成的虚拟人脸属于不同的虚拟ID。
图2(a)给出了本文所提出的可识别虚拟人脸生成器（Identifiable Virtual Face Generator，IVFG），其输入为原始人脸图像以及用户密钥，输出相应的可识别虚拟人脸。我们针对上述四条性质提出了相应的目标函数以及训练策略（见图2(b)），使得生成的虚拟人脸图像具备匿名性、多样性、可识别性以及可分离性。
图2 本文所提出的可识别虚拟人脸生成器(a)以及训练策略（b）
我们使用两个预训练人脸识别器（ArcFace与Sphereface）在两个通用的人脸数据集（CelebA与LFW）上评估了本文算法所生成的可识别虚拟人脸图像的性能，包括可识别性、匿名性、多样性、可恢复性以及视觉效果。实验结果显示本文提出的IVFG在这些指标上均显著优于已有的人脸匿名模型，证明了生成的匿名人脸可以在虚拟空间被准确识别。
论文信息
相关论文已经被ACM MM 2022录用为oral，作者为复旦大学计算机科学技术学院袁焯闻，游正欣，李晟，钱振兴，张新鹏，新加坡南洋理工大学Alex Kot。
Z. Yuan, Z. You, S. Li*, Z. Qian*, X. Zhang, and A. C. Kot, On Generating Identifiable Virtual Faces, ACM Multimedia, 2022 (oral), to appear.
复旦大学计算机科学技术学院
多媒体智能安全实验室
实验室主页：http://fudanmas.com/
实验室介绍：复旦大学计算机学院多媒体智能安全实验室（文旅部数字文化保护与旅游数据智能计算重点实验室），现有教师3人、在站博士后2人、在读博士/硕士生50人，主要研究方向包括：信息隐藏、多媒体取证、神经网络安全、智能聊天机器人、多媒体应用技术等五个方向。实验室团队已发表SCI论文400余篇，多篇论文发表在IEEE TIFS, TIP, TDSC, TCSVT, TMM, TCYB、AAAI、IJCAI、ACM MM等顶刊顶会。欢迎各位青年才俊加入复旦多媒体智能安全实验室，也欢迎青年学子来实验室就读。联系人：钱振兴，邮箱：zxqian@fudan.edu.cn.
声明：本文来自隐者联盟，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
