FaceLinkGen : Repenser la fuite d'identité dans la reconnaissance faciale préservant la vie privée via l'extraction d'identité
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
La reconnaissance faciale préservant la vie privée par transformation (PPFR) vise à vérifier les identités tout en cachant les données faciales aux attaquants et aux fournisseurs de services malveillants. Les évaluations existantes considèrent principalement la confidentialité comme une résistance à la reconstruction au niveau pixel, mesurée par le PSNR et le SSIM. Nous démontrons que cette vision centrée sur la reconstruction est inadéquate. Nous présentons FaceLinkGen, une attaque par extraction d'identité qui effectue un appariement et une régénération faciale directement à partir des modèles protégés sans restaurer les pixels originaux. Sur trois systèmes PPFR récents, FaceLinkGen atteint une précision d'appariement supérieure à 98,5 % et un taux de réussite de régénération dépassant 96 %, et maintient des performances supérieures à 92 % en appariement et 94 % en régénération dans un scénario à connaissance quasi nulle. Ces résultats révèlent un écart structurel entre les métriques de distorsion pixel, largement utilisées dans l'évaluation PPFR, et la confidentialité réelle. Nous montrons que l'obscurcissement visuel laisse les informations d'identité largement exposées aux intrus externes et aux fournisseurs de services non fiables.
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.