FaceLinkGen: Neubewertung von Identitätslecks in datenschutzbewahrender Gesichtserkennung durch Identitätsextraktion
FaceLinkGen: Rethinking Identity Leakage in Privacy-Preserving Face Recognition with Identity Extraction
February 2, 2026
papers.authors: Wenqi Guo, Shan Du
cs.AI
papers.abstract
Transformationsbasierte, datenschutzbewahrende Gesichtserkennung (PPFR) zielt darauf ab, Identitäten zu verifizieren, während Gesichtsdaten vor Angreifern und böswilligen Dienstanbietern verborgen werden. Bisherige Evaluierungen behandeln Privatsphäre größtenteils als Widerstandsfähigkeit gegen Pixel-rekonstruktion, gemessen an PSNR und SSIM. Wir zeigen, dass diese rekonstruktionszentrierte Sichtweise unzulänglich ist. Wir stellen FaceLinkGen vor, einen Identitätsextraktionsangriff, der Verknüpfung/Abgleich und Gesichtsregenerierung direkt aus geschützten Templates durchführt, ohne originale Pixel wiederherzustellen. Bei drei aktuellen PPFR-Systemen erreicht FaceLinkGen eine Abgleichgenauigkeit von über 98,5 % und eine Regenerierungsquote von über 96 % und übertrifft selbst in einer Near-Zero-Knowledge-Umgebung noch 92 % beim Abgleich und 94 % bei der Regenerierung. Diese Ergebnisse offenbaren eine strukturelle Lücke zwischen Pixelverzerrungsmetriken, die weit verbreitet in der PPFR-Evaluierung eingesetzt werden, und tatsächlicher Privatsphäre. Wir zeigen, dass visuelle Verschleierung Identitätsinformationen sowohl für externe Eindringlinge als auch für nicht vertrauenswürdige Dienstanbieter weitgehend zugänglich lässt.
English
Transformation-based privacy-preserving face recognition (PPFR) aims to verify identities while hiding facial data from attackers and malicious service providers. Existing evaluations mostly treat privacy as resistance to pixel-level reconstruction, measured by PSNR and SSIM. We show that this reconstruction-centric view fails. We present FaceLinkGen, an identity extraction attack that performs linkage/matching and face regeneration directly from protected templates without recovering original pixels. On three recent PPFR systems, FaceLinkGen reaches over 98.5\% matching accuracy and above 96\% regeneration success, and still exceeds 92\% matching and 94\% regeneration in a near zero knowledge setting. These results expose a structural gap between pixel distortion metrics, which are widely used in PPFR evaluation, and real privacy. We show that visual obfuscation leaves identity information broadly exposed to both external intruders and untrusted service providers.