1、人脸匿名化定义：
将人脸图像匿名化方法从图像语义修改、图像语义保持、视觉可恢复以及深度学习过程中的人脸隐私保护四个方面进行分类，将人脸视频匿名化方法从聚焦面部区域隐私的视频匿名化方法和面向生物特征隐私的视频匿名化方法两个方面进行分类
2、传统的人脸匿名化：
模糊、马赛克和遮挡等， 即通过掩盖人脸面部区域实现匿名化（模糊、马赛克：对图像进行下采样或平滑操 作，将图像中的像素值进行平滑处理或在特定区域进行色块打乱，形成模糊或像素化的效果，从而达到隐匿人脸样貌隐私的目的）（掩蔽：将选定的图 像区域进行遮挡来移除原有的人脸外貌隐私）
传统人脸匿名化并不是追求完全无法识别，而是在确保个人隐私不被滥用的前提下，保留必要的识别能力以满足实际应用的需求。实现这一目标的技术手段包括面部模糊化、特征扭曲、局部遮挡等，这些方法可以在一定程度上隐藏个人身份，同时又不完全丧失识别功能。
缺点：匿名后的图像视觉效果差，丢失人脸数据；匿名图像伪影严重，影响图像后续使用
3、人脸隐私保护：（匿名化分类）
- 基于图像匿名化：
- 图像语义（视觉内容）修改：视觉内容修改指在人眼观看上，图像匿名化前后视觉效果不一样（变成另一个人）
- 图像语义（视觉内容）保持：匿名前后人脸视觉样貌不变，然而人脸识别系统却认为匿名前后的图像身份不一致
- 视觉可恢复：匿名化后的图像能够恢复成匿名前的图像， 整个过程是“可逆”的
- 深度学习：图像匿名过程中的细节因素对匿名效果产生的影响（例如 数据集的处理方式对训练效果的影响 以及模型训练过程中是否泄露隐私数据等问题）
- 基于视频匿名化：面部区域隐私的视频匿名化方法、面向生物特征隐私的视频匿名化方法（起步过程中）
3.1、深度学习人脸匿名化：
- 输入图像（可能包含遮挡的人脸）通过编码器编码成隐向量。
- 解码器根据隐向量预测出人脸关键点坐标。
- 头部生成器利用这些关键点坐标和周围环境信息，生成一个自然的头部图像。
- 头部判别器判断生成器生成的头部图像是否足够真实，并提供反馈以优化生成器的性能。
身份保持的属性匿名化方法是指在匿名化处理过程中，保留某些身份相关的属性，同时隐藏或改变其他可以识别个人身份的信息。这种方法旨在在保护个人隐私的同时，保持数据的一定可用性和某些统计特性。
3.2、深度学习过程中人脸隐私保护：
深度学习数据的处理、模型训练过程的细节因素以及结合数据加密等其他领域对视觉身份隐私保护的影响
人脸匿名化 人脸隐私保护
3.3、联邦学习与人脸隐私保护
4、视觉可恢复人脸匿名化：
（1）提取人脸图像的身份和属性特征，并确保属性特征在去身份过程中保持不变；
（2）基于密码或其他控制参数，使用身份修改模块改变匿名图像的身份；
（3）实现图像重建. 这类匿名化方法实现了身份信息的可逆化，使得拥有正确密码的人员可以查看用户数据，而非法偷取数据者无法得到正 确的人脸内容信息，只能得到匿名人脸信息，从而防止了人脸隐私数据的泄露
5、常用数据集及评价指标
常用的数据集 LFW、 MUCT、CelebA、RaFD、WIDER-FACE及自建的数据集 FDF、UNI等.
指标：
身份匿名效果指标，即用人脸识别等方法判断匿名前 后身份是否一致；
另一类为图像客观质量指标，即用 SSIM 等方法评估匿名人脸图像的图像质量
人脸匿名化是指将人脸信息经过处 理使其无法识别出特定身份的过程
6、人脸匿名化的目标：
7、人脸匿名生成视觉相似的匿名人脸原因：
8、可开展方向
（1）复杂场景下的人脸隐私保护：考虑各种环境下匿名图像的质量问题
（2）匿名人脸视觉真实感的修正
（3）敏感行为意图的隐私保护：改变生成与原始人脸朝向、眼神注视方向和微表情不同的匿名人脸图像：可以利用属性修改的方法改变能够暴露行为意图的属性特征（比如注视方向和微表情等）. 另一方面，将人脸替换和属性迁移等技术融合改变某些属性信息
参考文章：
【1】视觉身份隐私保护：人脸匿名化研究方法 (cnki.net)
