2026年5月18日，一篇题为《Personalized Face Privacy Protection From a Single Image》的论文提交至arXiv，编号为arXiv:2605.19032v1，属于计算机视觉与模式识别（cs.CV）分类。论文由Zachary Yahn等八位作者共同完成，旨在解决在线面部照片被恶意抓取并滥用的人脸隐私问题。随着人脸识别模型日益普及，上传至网络的人脸图像可能被未经授权地收集和用于身份识别，从而对个人隐私构成威胁。
针对这一风险，研究团队提出了名为FaceCloak的新型个性化人脸隐私保护系统。该系统能够仅凭用户的一张照片，生成针对该用户身份特有的通用人脸隐私掩码，使面部识别模型无法正确识别用户身份。与以往需要多张图像或针对每张图像单独处理的方法不同，FaceCloak的核心优势在于“单图输入、通用防护”，即生成的掩码可应用于该用户的任意面部图像，同时保持较好的视觉感知质量。
FaceCloak采用三阶段个性化人脸扰动学习方法。第一阶段，系统基于用户的一张输入图像，生成一小组合成的人脸图像，这些合成图像具有较高的多样性，用于模拟用户在不同条件下的面部变化。第二阶段，系统在这组合成图像上进行迭代扰动生成，重点加强对关键面部身份泄露区域的保护，从而将用户的身份嵌入向量推向一个距离较远的锚点身份，并远离一个相似的干扰身份。这一过程实质上是学习一种“人脸伪装”机制，使人脸识别模型提取到的特征偏离真实身份。第三阶段，系统生成像素级的个性化身份保护掩码，该掩码轻量且高效，可应用于用户的任意面部图像，同时维持良好的视觉质量，避免明显影响照片的正常观感。
为了验证FaceCloak的有效性，研究团队在三个常用人脸数据集上进行了广泛实验，并测试了十种不同的人脸识别模型。实验结果表明，与29种现有代表性方法相比，FaceCloak在隐私保护效果上表现更优。论文代码已在GitHub上公开，仓库地址为https://github.com/zacharyyahn/FaceCloak，方便研究社区复现和进一步开发。
该研究的意义在于，它提供了一种轻量级、个性化且仅需单张图像即可部署的人脸隐私保护方案。对于普通用户而言，这意味着在上传照片前，可以通过一次处理生成属于自己的防护掩码，并在后续照片中重复使用，从而降低被未授权人脸识别系统识别的风险。同时，研究也提示了人脸识别技术滥用带来的隐私挑战，以及对抗性扰动在个人隐私防护中的潜在应用价值。论文提交时间为2026年5月18日18:56:56 UTC，全文以PDF和实验性HTML形式提供，并附有TeX源码链接。