人脸匿名化——人脸去识别方法

知乎：https://zhuanlan.zhihu.com/p/82797696

-这其中，有篡改输入人脸识别系统的图像，让它无法识别图中存在人脸的，比如多伦多大学的《Adversarial Attacks on Face Detectors using Neural Net based Constrained Optimization》

• 也有 CMU 设计的特殊眼镜，佩戴以后，即便经过监控设备的采集，仍然无法识别到图像中存在人脸，或者会被识别为另一个人；而且这种装饰方法算不上夸张，不那么容易引起别人怀疑。（论文《Accessorize to a Crime: Real and Stealthy Attacks on State-of-the-Art Face Recognition》
• 近日又出现了一篇新的论文，来自挪威科技大学的《DeepPrivacy: A Generative Adversarial Network for Face Anonymization》（arxiv.org/abs/1909.04538），从新的、更有挑战的角度欺骗人脸识别系统：在不改变原来的数据分布的前提下把人脸匿名化，更通俗地说就是模型的输出还是一张逼真的人脸，姿态和背景也和原图相同，但完全无法识别出原来的人脸身份，也就是「换了一张脸」【生成器的架构是一个U-NET】
• 这篇论文的模型中的生成器设计参考了《Progressive Growing of GANs for Improved Quality, Stability, and Variation》（arxiv.org/abs/1710.10196）论文，从低分辨率的图像开始，逐级地提高分辨率、增加细节，最终可以同时兼顾图像中的内容高度协调、高稳定性、高多样性。这种方法是 GANs 首次可以生成 1024x1024 尺寸的高清图像。作者们还一并讨论了一些改进 GANs 训练过程的技巧。
• 另外，雷锋网 AI 科技评论认为值得一提的是来自英伟达的《A Style-Based Generator Architecture for Generative Adversarial Networks》（arxiv.org/abs/1812.04948），它是 CVPR 2019 的 最佳论文之一，也是目前为止生成高清晰度、高多样性的人脸效果最好的方法。毋庸置疑，这种方法生成的人脸比 DeepPrivacy 更逼真，而且也同样可以生成随机的新身份，不过就没办法控制同样的姿态和背景了。

https://blog.csdn.net/duxinshuxiaobian/article/details/102634418
条件生成对抗网络

• 训练模型的首选机制当然是条件式生成对抗网络架构（cGAN architecture），这个概念最初由Mehdi Mirza和Simon
  Osindero在其论文《条件式生成对抗网络》（‘Conditional Generative Adversarial
  Nets’）中提出（https://arxiv.org/abs/1411.1784）。条件式生成对抗网络是深度学习一个非常重要的结构，下文将深入研究生成式对抗网络／条件式生成式对抗网络（GAN/cGAN）是如何工作的，以及为什么这两个工具在面部匿名化中如此合适。