防止黑客重建人脸，浙大与阿里联手推出新方案“FaceObfuscator”，旨在保护人脸数据安全。该方案通过在客户端筛选频域通道删除人脸图像中的冗余视觉信息，并利用随机性干扰人脸特征到人脸图像的逆映射，从源头上防御重构攻击。在服务端，利用逆变换移除随机性，保持人脸识别的准确性。

FaceObfuscator是一种轻量级的隐私保护人脸识别系统，它解决了当前人脸识别系统面临的人脸特征重构隐私威胁。该系统首先对输入的人脸图像进行脱敏处理，生成混淆特征，然后在整个人脸识别流程及人脸数据库中使用混淆特征而非人脸图像，确保在泄露后有效防止攻击者从中恢复出原始人脸信息。

具体实现上，FaceObfuscator分为两步：首先删除人脸图像中的视觉信息，通过离散余弦变换将图像转化为频域特征，以完成视觉信息的切分。实验表明，无论是高频通道还是低频通道，都可以用于较为精准的人脸识别，这意味着原始人脸图像中存在大量冗余信息。该团队通过分析频域通道对人脸识别任务的重要性，并仅保留对于人脸识别而言最关键的频域通道作为人脸特征，实现尽可能抑制视觉信息，同时保持人脸识别高精度。

接下来，为了进一步抵御重构攻击，FaceObfuscator对每个人脸特征从方向和尺度两个维度进行随机变换，引入随机性抵御重构攻击。在客户端，方向的随机性通过随机翻转人脸特征中元素的符号位实现，尺度的随机性通过指数变换实现。这种随机性干扰重构网络的梯度下降过程，有效抵御各类重构攻击。在服务端，通过执行指数变换的逆变换（对数变换）移除尺度的随机性，保证人脸识别的准确性。

实验结果显示，FaceObfuscator的人脸特征无法被重构为人脸图像，有效保护人脸隐私。相比于其他方案，FaceObfuscator在6个公开人脸数据集上的隐私保护能力显著提高，重构图片与原始图片的余弦相似度大幅减少，重放攻击成功率大幅降低。此外，该方案人脸识别精度与基线（Arcface）基本保持一致，拥有最低的存储开销，较优的时间开销，适用于监控识别、刷脸支付、门禁考勤等主要需求场景，服务于安防、金融、教育等多个关键行业领域。

综上，FaceObfuscator不仅提供了强大的隐私保护能力，还保持了高精度识别和高效率运行，可广泛应用于多个行业，解决人脸隐私安全方面的难点痛点问题，实现人脸识别的高效可用。