近年来以深度学习为基础的人脸识别算法在日常生活中得到了广泛应用,该技术在为人们带来极大便利的同时也引发了人们对于人脸隐私泄露的担忧。一些研究者和商业公司可能在未经许可的情况下擅自使用他人的人脸图像用于算法研究及商业活动,对公民的个人隐私安全产生了严重威胁。许多国家正陆续出台相关法律法规来约束人脸数据的采集和使用,与此同时,以深度学习为代表的算法对数据的使用需求在日益增加。如何对人脸图像进行匿名化编辑的同时保留原有数据的效用已成为计算机视觉任务中的一个重要研究方向。传统的匿名化方法主要针对的是图像数据,难以对匿名化图像的身份信息进行有效控制,且生成的图像质量较低,无法用于处理视频数据。针对数据集人脸匿名化任务,在匿名性和真实性的基础上提出了可控性、一致性和可逆性要求。针对以上提出的要求,基于人脸修复的思想来构建人脸匿名化模型并建立相应的评价指标。使用生成对抗网络对去除敏感信息的人脸图像进行人脸修复,同时使用连续条件身份向量控制生成器输出图像的身份信息,通过消融实验验证了网络结构与损失函数设计的正确性,同时优化了网络训练流程,提高了训练稳定性。通过与其他优秀算法进行定性和定量的对比实验可知:图像修复能够有效去除原图中的隐私敏感信息,生成对抗网络则能够保证输出人脸图像的质量与效用,使用连续身份特征编码能够使模型满足可控性、一致性和可逆性要求。完成训练后的模型在无人驾驶数据集隐私保护任务中具有良好的表现。论文从实验对比和实际应用两个角度证明了提出的匿名化模型能够有效胜任数据集人脸隐私处理任务。