承接上一篇对 Deepfake Detection 与主动防御技术的梳理，本文将视角进一步扩展至“隐私保护”相关方向，重点关注深度学习在图像隐写、反人脸识别、身份去标识化以及属性隐私保护中的研究进展与技术脉络。

从“事后鉴别”转向“事前免疫 + 事后取证”。

（上）：真实性鉴别与深度伪造检测（中）：隐私保护、去标识化与可逆安全（下）：篡改定位、主动取证与图像免疫整体趋势可概括为：从事后鉴别走向事前设计从单一检测走向系统化防护从“发现问题”走向“预防与恢复并重”在 AIGC 快速发展的背景下，如何在保证图像可用性的同时，构建可信、可验证、可恢复的安全机制，将成为图像安全与隐私保护领域持续关注的核心问题。

与上一篇类似，利用图像隐写思想，将原图隐写至mask图像中，便于恢复原图；INN:正向输入原图与mask图像，得到与预模糊图像视觉一致的保护图像（隐写），逆向恢复出原图；部分方法通过对潜在特征进行解纠缠，将身份信息与属性信息分离，仅对身份相关特征进行扰动或加密，从而实现“身份匿名、属性保留”。接收端：攻击者接收到马赛克图像，低权限用户接收到同样的马赛克图像，但可实现表情识别，高权限用户可恢复出原图

从“事后鉴别”转向“事前免疫 + 事后取证”。

（上）：真实性鉴别与深度伪造检测（中）：隐私保护、去标识化与可逆安全（下）：篡改定位、主动取证与图像免疫整体趋势可概括为：从事后鉴别走向事前设计从单一检测走向系统化防护从“发现问题”走向“预防与恢复并重”在 AIGC 快速发展的背景下，如何在保证图像可用性的同时，构建可信、可验证、可恢复的安全机制，将成为图像安全与隐私保护领域持续关注的核心问题。

深度学习环境配置

承接上一篇对 Deepfake Detection 与主动防御技术的梳理，本文将视角进一步扩展至“隐私保护”相关方向，重点关注深度学习在图像隐写、反人脸识别、身份去标识化以及属性隐私保护中的研究进展与技术脉络。

深度学习入门学习路径

在人脸识别技术日益融入我们生活的今天，从手机解锁到门禁考勤，安全性成为衡量系统可信性的关键。然而，随着攻击手段日益升级，特别是以3D面具、视频翻拍、打印照片等形式出现的伪造攻击（Presentation Attack）不断威胁着人脸识别系统的稳定性与鲁棒性。如何实现的人脸活体检测，成为人工智能与生物识别领域的重要课题。近日，北航、中科院自动化所、大湾区大学、南洋理工大学等联合团队提出新一代多模态人