본 논문에서는 현실적인 비식별화 프레임워크 내 신원 인코더에 대한 적대적 공격의 영향을 조사한다. 실험 결과, 외부 대리 모델에서 시스템 모델(예: CosFace에서 ArcFace)로 공격의 전이(transferability)가 이루어질 때, 공격자가 충분히 민감한 얼굴 인식 시스템에서 신원 정보가 유출되도록 할 수 있음을 보여준다. 우리는 실험적 근거를 제시하고 이 취약성을 완화하기 위한 전략을 제안한다. 구체적으로, 적대적 예제에 대한 미세조정이 왜곡 기반 공격(즉, snow, fog 등)에 대한 이 효과를 완화하는 데 도움이 되는 방법을 보이며, 단순 저역 통과 필터는 비식별화된 이미지에 영향을 주지 않으면서 적대적 노이즈의 효과를 줄일 수 있음을 보인다. 이러한 완화 방법은 기능을 유지하면서 적대적 노이즈에 대해 훨씬 더 견고한 비식별화 시스템을 만든다.
타깃 지향(target-oriented) 얼굴 식별 해제 모델은 서로 다른 이미지나 동영상 프레임 전반에서 특정 대상 개인의 신원을 익명화하여, 대상을 더 이상 신뢰할 수 있게 식별할 수 없게 하면서도 시각 데이터의 핵심 특성은 유지하는 것을 목표로 한다. 이러한 모델은 일반적으로 생성형 인코더-디코더(encoder-decoder) 구조를 활용해 얼굴 외형을 조작하며, 현실적이고 고충실도의 식별 해제 결과를 만들면서 상당한 속성 보존(attribute-retention) 능력을 확보한다. 그러나 타깃 지향 모델은 미세한 신원 단서를 부 inadvertent하게 보존할 위험이 있어 (잠재적으로) 가역적이며 재구성(reconstruction) 공격에 취약해질 수 있다. 이 문제를 해결하기 위해 본 논문에서는 타깃 지향 모델과, 식별 해제 절차를 되돌리는 학습을 가능하게 할 수 있는 지각하기 어려운 정보를 파괴하도록 특별히 설계된 전용 확산(diffusion) 과정을 결합한 새로운 (견고한) 얼굴 식별 해제 접근법 HYDRO를 제안한다. HYDRO는 먼저 주어진 얼굴 이미지를 식별 해제한 뒤, 재구성을 방해하기 위해 식별 해제 결과에 노이즈를 주입하고, 이어서 확산 기반 복원 단계를 적용해 충실도를 높이고 노이즈 과정이 데이터 특성에 미치는 영향을 최소화한다. 이미지 충실도를 더 높이고 시선 방향(gaze direction)을 더 잘 보존하기 위해, 새로운 Eye Similarity Discriminator(ESD)도 도입하여 HYDRO 학습에 통합한다. 세 가지 다양한 데이터셋(dataset)에 대한 광범위한 정량·정성 실험은 HYDRO가 최신(SOTA) 수준의 충실도와 속성 보존 능력을 보이며, 재구성 공격에 견디는 유일한 타깃 지향 방법임을 보여준다. 여러 SOTA 경쟁 방법과 비교했을 때 HYDRO는 재구성 공격 성공률을 평균 85.7% 감소시킨다.