无法窃取我的面容：针对身份保持型个性化生成的主动防御

基于摘要分析。本文研究扩散模型个性化图像生成中的人脸身份隐私保护，提出 IDGuardian，通过对参考人脸图像施加对抗扰动，阻止生成系统保留目标人物身份，覆盖需训练与免训练两类个性化方法。研究对象是数字化身、虚拟试穿等应用中的人脸参考图像，不是 EEG 或 BCI 信号。 核心机制是将个性化过程抽象为身份提取和身份注入两个阶段，并同时干扰两者：一方面削弱外部编码器提取的身份特征，另一方面建立“对抗性概念桥接”，使生成轨迹偏离目标身份。摘要未说明该桥接的具体构造、损失函数、扰动约束及优化方式，因此尚不能确认模型无关性所依赖的访问权限和计算条件。作者将 IDGuardian 定位为可同时应对两类个性化方法的通用、模型无关框架，其“首次”定位尚未独立核实。 作者报告，在多种个性化流程和模型架构的实验中，IDGuardian 能够保护身份，并对后处理、自适应攻击及跨数据集泛化保持鲁棒性；摘要未提供具体数据集、对照方法、评估指标、数值或协议。防御成功率、参考图像可感知质量、不同流程间的迁移能力及攻击者能力边界，均需结合全文核对；实验协议、消融及统计信息尚未验证。 摘要提供了代码仓库地址，但实现内容、运行条件与复现结果尚未核验。材料未建立该人脸身份防御机制与 EEG/BCI 的具体对应关系，不据此推断神经信号隐私保护效果。