来源：隐者联盟

文章链接：https://mp.weixin.qq.com/s/iCDO4BxLXLDk9BXH1ZRgFw

方法介绍

扩散模型的快速发展使换脸技术普及化，但也引发隐私和身份安全问题。现有的主动防御方法在扩散换脸的场景下防御效果有限。本文提出一种系统性防御方法VoidFace，该方法将换脸视为一个耦合的身份路径，通过在关键瓶颈处注入扰动，可在整个换脸管道中引发级联式破坏。具体而言，我们首先引入定位扰动和身份擦除，以削弱物理回归和语义嵌入，从而阻碍对源人脸的检测和身份建模。随后，我们通过解耦注意力来切断身份注入，并篡改中间特征以阻止源身份的重建。为确保视觉不可察觉性，我们在潜在流形中进行对抗性搜索，并提出一种感知自适应优化策略，以在攻击效果与图像质量之间取得平衡。大量实验表明，VoidFace 在各种扩散换脸模型上的保护效果均优于现有方法，同时生成的对抗性人脸具有更优异的视觉质量。

图1 VoidFace框架图

实验评估

我们针对多个开源的扩散换脸模型进行了测试。从表1可以看出，VoidFace在不同的数据集上，相比于其他方法均展示了优异的性能。

表1 在不同数据集上针对四种扩散换脸模型的保护性能

论文信息

本文已被ACM MM 2026录用。作者为中山大学的王立勤，胡千越，卢伟，数学工程与高级计算国家重点实验室的罗向阳。

L. Wang, Q. Hu, W. Lu and X. Luo, Safeguarding Facial Identity against Diffusion-based Face Swapping via Cascading Pathway Disruption, ACM Multimedia, 2026.