ReFaceX: анонимизация лиц на основе доноров с обратимым восстановлением

Почему сокрытие лиц по‑прежнему важно

Камеры наблюдения, социальные сети и медицинские наборы данных фиксируют миллиарды человеческих лиц. Чтобы делиться этими изображениями ответственно, организации должны скрывать личность человека, не разрушая при этом информацию о том, куда он смотрит, как движется или какое у него выражение лица. Простые приёмы вроде размытия или пикселизации часто проигрывают по обеим задачам: современные системы распознавания лиц иногда всё ещё узнают людей, тогда как люди и алгоритмы лишаются важных визуальных деталей. В этой статье представлена ReFaceX — новый подход к маскированию лиц, цель которого защитить личность, сохранить полезность изображений для анализа и при этом позволить уполномоченным восстановить оригинал при необходимости.

Меняем то, на кого вы похожи, а не то, что вы делаете

ReFaceX исходит из простой идеи: разделить то, что нужно скрыть (кто вы), и то, что нужно сохранить (что вы делаете и где вы находитесь). Вместо простого размытия или случайных искажений система заменяет личность человека на «донорское» лицо из другого изображения. Нейронная сеть извлекает признаки донора и внедряет их в исходное лицо, при этом аккуратно сохраняя позу, фон, форму причёски и выражение как можно более неизменными. В результате получается новое лицо, которое не похоже на оригинального человека, но при этом естественно вписывается в сцену и остаётся полезным для задач детекции, слежения или считывания ключевых точек лица.

Скрытый ключ, встроенный в изображение

Поскольку в ряде случаев требуется вернуться к исходному лицу — например, для медицинского наблюдения или проверки сотрудниками правоохранительных органов — ReFaceX спроектирован как обратимый под контролем. Вместо хранения отдельного файла он прячет компактный «код восстановления» прямо в анонимизированном изображении, используя обучаемую форму цифровой водяной метки. Этот скрытый полезный груз не виден невооружённым глазом и обучается выживать при типичных реальных изменениях, таких как JPEG‑перекомпрессия, лёгкая обрезка, изменение размера и цветовые коррекции, возникающие при загрузке изображений в онлайн‑сервисы. Уполномоченный декодер может извлечь этот код и подать его в сеть восстановления, которая воссоздаёт близкую визуальную копию исходного лица.

Как избежать конфликта между приватностью и восстановлением

Главная техническая проблема обратимых систем в том, что одна и та же сеть часто получает поощрение и за изменение личности, и за упрощение восстановления оригинала. Это может подтолкнуть модель к скрытому сохранению узнаваемых признаков, ослабляя приватность, или к чрезмерному размытию изображения, уничтожая его полезность. ReFaceX решает эту проблему физическим разделением сигналов обучения. Часть системы, скрывающая личность, оценивают исключительно по тому, насколько анонимизированное лицо неузнаваемо для мощных коммерческих распознавателей. Часть, отвечающая за восстановление, обучается на «отдельной» копии анонимизированного изображения, так что её успех не может заставить механизм анонимизации «жульничать», сохраняя признаки личности. Такая аккуратная схема позволяет авторам регулировать приватность и полезность как два независимых параметра, а не как противоположные концы одной фиксированной компромисной кривой.

Нагрузочное тестирование против реальных атак

Чтобы проверить, выполняет ли ReFaceX свои обещания, авторы оценивают метод на стандартных наборах лиц (LFW и CelebA‑HQ) и сравнивают его с несколькими ведущими способами анонимизации. Они измеряют, насколько анонимизированные лица похожи на оригиналы в внутренем признаковом пространстве трёх мощных систем распознавания, и проверяют, как часто субъект может быть корректно сопоставлен с большой галереей. Также они оценивают, насколько восстановленные лица близки к оригиналам, используя как пиксельные метрики, так и показатели, ориентированные на восприятие, и измеряют время работы системы на одной графической плате. Наконец, они подвергают скрытый канал восстановления многократной JPEG‑перекодировке и другим искажениям, а также моделируют атакующие действия, пытающиеся вернуть анонимизированное изображение к исходному или к личности донора.

Что это значит для совместного использования данных с лицами

Результаты показывают, что ReFaceX последовательно делает анонимизированные лица труднее сопоставимыми с оригиналами по сравнению с конкурирующими методами, по оценке нескольких независимых распознающих систем, при этом давая наиболее точные реконструкции для уполномоченных пользователей. Он работает достаточно быстро для применения в реальном времени на стандартном оборудовании и сохраняет свой скрытый полезный груз при типичной обработке изображений. Проще говоря, ReFaceX предлагает практическую схему для обмена изображениями лиц, которые остаются полезными для исследований и индустрии, не раскрывая при этом людей. За счёт явной модели атакующего, надёжного канала восстановления и управляемого баланса между секретностью и полезностью он задаёт направление для более ответственного обращения с всё растущими архивами человеческих лиц.

Цитирование: 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

Ключевые слова: анонимизация лиц, конфиденциальность в изображениях, глубокое обучение, стеганография изображений, распознавание лиц