Flux-Guard：使用扩散模型的面部身份保护

人脸识别（FR）系统的广泛部署使社交媒体和公共平台上共享的个人图像面临身份联动和隐私风险。现有的对抗性隐私保护方法会降低未经授权的 FR 性能，但与生成人脸编辑不兼容。人工智能驱动的人脸编辑工具越来越受欢迎，这极大地增加了用户对个性化肖像生成和社交分享的需求。然而，当前的编辑方法通常会保留身份特征，使得编辑后的图像仍然容易被恶意FR系统跟踪。因此，本文提出了 Flux-Guard，一种基于对抗攻击的隐私保护人脸编辑框架，它将人脸编辑和隐私保护集成在统一的生成过程中。具体来说，我们设计了一种流轨迹控制方法，使语义操作与生成过程保持一致，并通过自适应感知损失驱动的加权策略引入潜在空间对抗优化，动态调整对抗强度以最大化攻击有效性，同时保持视觉质量。大量实验表明，Flux-Guard 支持人脸编辑，同时显着提高针对 CelebA-HQ 和 LADN 数据集上的跨域人脸识别模型的攻击成功率。此外，商业API的评估结果也证实了其在实际应用中的有效性。代码发布于 https://github.com/JLMwang/Flux-Guard。