分而治之：兼具模型可解释性的高质量人脸去身份化两步方法

基于摘要分析。该研究关注人脸去身份化：在隐藏真实身份的同时，保留其他面部特征。作者提出 IDeudemon，将身份保护与图像效用保持拆分为两个步骤，以应对现有 target-generic 方法在隐空间身份解耦与对抗训练中面临的隐私—效用权衡及可解释性问题。 核心机制是先处理身份编码，再优化生成图像。Step I 对参数化 NeRF 模型计算的 3D 解耦 ID code 进行混淆，以保护身份；Step II 引入视觉相似性辅助，并通过调整损失训练 GAN，以保持图像效用。摘要未提供身份编码的具体混淆方式、视觉相似性的计算方法或损失定义，相关实现细节尚未验证。其可解释性主张与显式 3D 身份编码及分步骤处理有关，但解释质量的评估方式仍需核对。 作者报告，该方法借助 3D 先验与生成设计，能够保护身份、生成高质量细节，并对不同姿态和表情具有鲁棒性；作者还报告其在实验中优于此前的 state-of-the-art 方法。摘要未列出数据集、数据划分、对照方法、隐私与效用指标或数值，因此尚不能判断改进幅度及适用范围，实验协议、消融及统计信息尚未验证。 原论文的研究对象是人脸图像隐私保护，而非 EEG 或 BCI。现有材料未建立其 3D 身份编码与神经信号表征之间的具体对应关系，因此不据此推断 BCI 有效性或提出迁移复现实验。复现该方法仍需核对 NeRF 与 GAN 的训练配置、身份混淆规则、评价协议及代码可用性。