隨着人臉識別技術的廣泛應用，用户上傳到網絡的面部照片面臨被惡意抓取和濫用的風險，隱私泄露問題日益嚴峻。針對這一挑戰，研究人員提出了一種名為FaceCloak的個性化面部隱私保護系統。該系統僅需用户一張照片，即可生成針對其身份的通用面部隱私掩碼，使任何面部識別模型均無法正確識別該用户。
FaceCloak的核心創新在於其三階段學習框架。第一階段，系統基於用户單張圖像生成少量但高多樣性的合成面部圖像，以覆蓋不同角度、表情和光照條件。第二階段，通過迭代擾動生成，重點保護那些最易泄露身份信息的關鍵區域（如眼睛、鼻子輪廓），從而將用户的身份嵌入向量推向遠離其原始位置、接近一個預定義的錨定身份。第三階段，將學習到的擾動轉化為像素級的輕量掩碼，該掩碼可高效應用於用户任何面部圖像，同時保持較好的視覺質量。
為了驗證有效性，研究團隊在三個主流面部數據集（如CelebA、LFW等）上，針對十種不同的人臉識別模型（包括ArcFace、CosFace等）進行了廣泛實驗。結果表明，FaceCloak在與29種現有代表性方法的比較中表現最優，能有效阻止惡意識別攻擊。此外，該方法的輕量級掩碼僅需少量計算即可應用到新圖像上，適合實際部署。目前，項目代碼已在GitHub上開源，為個人隱私保護提供了實用工具。研究者表示，未來將探索將FaceCloak擴展到視頻隱私保護以及更復雜的攻擊場景。總之，FaceCloak為日益嚴峻的面部隱私泄露問題提供了一種高效且個性化的解決方案，具有重要的社會意義和應用前景。