IDGuardian 发布首个能同时防御训练与免训练个性化生成的身份保护框架

arXiv cs.CR 论文提出 IDGuardian，这是首个通用的、与模型无关的身份保护框架，旨在解决扩散模型在数字分身和虚拟试衣等应用中因依赖敏感面部参考图像而引发的隐私泄露问题。该框架能够同时防御基于训练和免训练的个性化生成方法，解决了现有防御机制难以泛化到新兴免训练方法的痛点。

IDGuardian 将个性化过程抽象为身份提取和身份注入两个关键阶段，并通过引入精心设计的对抗扰动同时破坏这两个阶段：一方面降低外部编码器提取的身份特征质量，另一方面建立对抗概念桥接以误导生成轨迹偏离目标身份。实验表明，该方法在各种个性化管道和模型架构下均能有效保护身份，且对后处理、自适应攻击及跨数据集泛化具有鲁棒性。

事实层面，该工作已开源代码并发表于 arXiv；推断层面，这意味着针对深度伪造的防护策略需从单一的训练阶段防御转向覆盖推理阶段的端到端对抗设计；猜测层面，若此类对抗扰动被广泛部署，可能会显著增加恶意攻击者构建高保真虚假身份的成本，但也可能引发关于正常用户隐私数据（如自拍）是否会被误伤的讨论。