FaceLinkGen: Repensando la Fuga de Identidad en el Reconocimiento Facial con Preservación de la Privacidad mediante Extracción de Identidad
FaceLinkGen: Rethinking Identity Leakage in Privacy-Preserving Face Recognition with Identity Extraction
February 2, 2026
Autores: Wenqi Guo, Shan Du
cs.AI
Resumen
El reconocimiento facial que preserva la privacidad basado en transformaciones (PPFR) tiene como objetivo verificar identidades ocultando los datos faciales de atacantes y proveedores de servicios maliciosos. Las evaluaciones existentes tratan principalmente la privacidad como resistencia a la reconstrucción a nivel de píxel, medida mediante PSNR y SSIM. Demostramos que esta visión centrada en la reconstrucción es insuficiente. Presentamos FaceLinkGen, un ataque de extracción de identidad que realiza vinculación/emparejamiento y regeneración facial directamente desde las plantillas protegidas, sin recuperar los píxeles originales. En tres sistemas PPFR recientes, FaceLinkGen alcanza una precisión de emparejamiento superior al 98.5% y un éxito de regeneración por encima del 96%, y aún supera el 92% en emparejamiento y el 94% en regeneración en un escenario de conocimiento casi nulo. Estos resultados exponen una brecha estructural entre las métricas de distorsión de píxeles, ampliamente utilizadas en la evaluación PPFR, y la privacidad real. Demostramos que el ofuscamiento visual deja la información de identidad ampliamente expuesta tanto a intrusos externos como a proveedores de servicios no confiables.
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.