UtilFace与HiFD统一比较人脸去身份化的隐私和效用

人脸去身份化（FDeID）已成为重要的隐私保护技术，但其评测协议仍然割裂。现有协议使用不一致指标、异质数据集和不完整标注，面向不同效用维度的方法，例如保留关键点或表情，往往在不同基准和指标下报告，难以跨方法比较。我们从数据与指标两方面重新审视FDeID评测。在数据方面，提出UtilFace：从四个大规模人脸数据集出发，通过身份感知清洗、分辨率增强和分层过滤，构建人口属性均衡、身份多样性高的基准。在指标方面，提出分层人脸去身份化指标HiFD，以统一的一致性范式整合身份抑制、多层效用保留和图像质量：每个分量均由预训练估计器对原脸及去身份化结果的输出计算，直接衡量身份抑制程度及下游可感知效用的保留程度。HiFD将人脸信号分为宏观线索（L1）、微观线索（L2）和不可察觉线索（L3），通过加权调和平均把所得五个分量汇总为一个可解释分数，并允许按应用配置权重。借助统一协议，我们比较对抗、GAN和扩散方法，揭示既有协议难以观察的取舍与失败模式。我们开放基准与评测工具，支持隐私保护人脸分析的系统性、可复现研究。