FaceLinkGen: Ripensare la Fuga di Identità nel Riconoscimento Facciale con Preservazione della Privacy mediante Estrazione dell'Identità
FaceLinkGen: Rethinking Identity Leakage in Privacy-Preserving Face Recognition with Identity Extraction
February 2, 2026
Autori: Wenqi Guo, Shan Du
cs.AI
Abstract
La riconoscimento facciale che preserva la privacy basato su trasformazioni (PPFR) mira a verificare le identità nascondendo i dati facciali ad attaccanti e fornitori di servizi malevoli. Le valutazioni esistenti considerano per lo più la privacy come resistenza alla ricostruzione a livello di pixel, misurata tramite PSNR e SSIM. Dimostriamo che questa visione incentrata sulla ricostruzione è fallace. Presentiamo FaceLinkGen, un attacco di estrazione dell'identità che esegue collegamento/abbinamento e rigenerazione facciale direttamente dai template protetti, senza recuperare i pixel originali. Su tre recenti sistemi PPFR, FaceLinkGen raggiunge un'accuratezza di abbinamento superiore al 98,5% e un successo di rigenerazione superiore al 96%, e mantiene comunque valori superiori al 92% nell'abbinamento e al 94% nella rigenerazione in uno scenario di conoscenza quasi nulla. Questi risultati rivelano uno scarto strutturale tra le metriche di distorsione pixel, ampiamente utilizzate nella valutazione PPFR, e la privacy reale. Dimostriamo che l'offuscamento visivo lascia le informazioni d'identità ampiamente esposte sia a intrusi esterni che a fornitori di servizi non attendibili.
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.