ReFaceX: anonimización reversible de rostros dirigida por donantes con recuperación separada

Por qué sigue importando ocultar rostros

Las cámaras de seguridad, las redes sociales y los conjuntos de datos médicos ahora capturan miles de millones de rostros humanos. Para compartir estas imágenes de forma responsable, las organizaciones deben ocultar la identidad de una persona sin destruir la información que la imagen puede aportar sobre aspectos como hacia dónde mira, cómo se mueve o qué expresión muestra. Trucos sencillos como difuminar o pixelar suelen fallar en ambos objetivos: los sistemas modernos de reconocimiento facial a veces siguen reconociendo a las personas, mientras que humanos y algoritmos pierden detalles visuales importantes. Este artículo presenta ReFaceX, una nueva forma de disfrazar rostros que pretende proteger la identidad, mantener la utilidad de las imágenes para el análisis y permitir a autorizados restaurar el original cuando sea necesario.

Cambiar a quién pareces, no lo que haces

ReFaceX parte de una idea sencilla: separar lo que debe ocultarse (quién eres) de lo que debe preservarse (lo que haces y dónde estás). En lugar de limitarse a difuminar o alterar aleatoriamente un rostro, el sistema reemplaza la identidad de la persona por la de un rostro “donante” extraído de otra imagen. Una red neuronal toma características del donante y las mezcla en el rostro original manteniendo cuidadosamente la pose, el fondo, la forma del cabello y la expresión lo más inalterados posible. El resultado es un nuevo rostro que no se parece a la persona original, pero que encaja de forma natural en la escena y sigue siendo útil para tareas como detección, seguimiento o lectura de puntos faciales.

Una clave oculta que viaja dentro de la imagen

Porque algunos usos requieren volver al rostro original —por ejemplo, para seguimiento médico o revisión por parte de las fuerzas del orden— ReFaceX está diseñado para ser reversible bajo control. En lugar de almacenar un archivo separado, oculta un compacto “código de recuperación” dentro de la imagen anonimizada usando una forma aprendida de marca digital (watermarking). Esta carga oculta no es visible al ojo y está entrenada para sobrevivir cambios reales comunes, como recompresión JPEG, recortes leves, redimensionado y ajustes de color que ocurren cuando las imágenes se suben a plataformas en línea. Un decodificador autorizado puede leer este código y alimentarlo a una red de recuperación que reconstruye una copia visual cercana al rostro original.

Evitar que privacidad y reparación de imagen se pongan en conflicto

Un gran reto técnico en sistemas reversibles es que la misma red a menudo se recompensa tanto por cambiar la identidad como por facilitar la reconstrucción del original. Esto puede tentar al modelo a conservar en secreto rasgos reconocibles, debilitando la privacidad, o a sobre-difuminar la imagen, destruyendo su utilidad. ReFaceX aborda esto separando físicamente las señales de aprendizaje. La parte del sistema que oculta la identidad se juzga solo por lo irreconocible que sea el rostro anonimizado para potentes reconocedores faciales de grado comercial. La parte que restaura el rostro se entrena con una copia “desconectada” de la imagen anonimizada, de modo que su éxito no pueda empujar al anonimizador a hacer trampa preservando la identidad. Este cableado cuidadoso permite a los autores ajustar la privacidad y la utilidad como dos mandos independientes en lugar de extremos opuestos de una única compensación fija.

Pruebas de resistencia frente a ataques del mundo real

Para comprobar si ReFaceX cumple lo que promete, los autores lo evalúan en conjuntos de datos faciales estándar (LFW y CelebA-HQ) y lo comparan con varios métodos líderes de anonimización. Miden cuán similares son las caras anonimadas a las originales en el espacio interno de tres potentes sistemas de reconocimiento y prueban con qué frecuencia se puede emparejar correctamente a un sujeto desde una galería grande. También evalúan cuán cercanas están las caras restauradas a las originales, usando tanto puntuaciones basadas en píxeles como métricas orientadas a la percepción, y cronometran la rapidez del sistema en una sola tarjeta gráfica. Finalmente, someten el canal oculto de recuperación a recomprimidos JPEG repetidos y otras distorsiones, e incluso simulan ataques adversariales que intentan devolver la imagen anonimizada hacia el original o hacia la identidad del donante.

Qué significa esto para los datos faciales compartidos

Los resultados muestran que ReFaceX hace que las caras anonimadas sean sistemáticamente más difíciles de emparejar con los originales que los métodos competidores, según múltiples reconocedores independientes, mientras que al mismo tiempo produce las reconstrucciones más fieles para usuarios autorizados. Funciona lo suficientemente rápido para uso en tiempo real en hardware estándar y mantiene su carga oculta intacta bajo un manejo realista de imágenes. En términos sencillos, ReFaceX ofrece un esquema práctico para compartir imágenes de rostros que siguen siendo útiles para la investigación y la industria sin exponer de forma casual quiénes son las personas. Al incorporar un modelo claro de atacante, un canal de recuperación robusto y un equilibrio controlable entre secreto y utilidad, apunta hacia una manera más responsable de gestionar los archivos cada vez mayores de rostros humanos.

Cita: Muhammad, D., Salman, M., Shah, S.M.H. et al. ReFaceX: donor-driven reversible face anonymisation with detached recovery. Sci Rep 16, 7882 (2026). https://doi.org/10.1038/s41598-026-39337-2

Palabras clave: anonimización de rostros, privacidad en imágenes, aprendizaje profundo, esteganografía de imágenes, reconocimiento facial