本文聚焦于图像到图像的人脸生成器（如 FaceFusion、InstantID）的隐私审计问题。尽管视觉差异常被当作隐私保护证据，但作者指出这种直观判断缺乏形式化的身份级隐私保证。为此，他们提出一个统一的审计框架，比较四种适用于预训练黑盒人脸生成器的差分隐私（Differential Privacy, DP）审计方法：(1) 基于高斯机制的每身份敏感度估计（GaussMech），(2) 基于每维核密度估计对数似然比并经基础组合聚合的 KDE-LR，(3) 利用最大均值差异（MMD）与总变差距离（TV）推导纯 DP epsilon 的解析总体下界（MMD-TV），(4) 基于交叉验证分类器折叠外 ROC 的假设检验评估（ROC-HT）。作者详细阐明了每种方法的假设、超参数依赖、有限样本局限以及其 epsilon 估计有效的适用区间。实验在 FaceFusion 和 InstantID 上，使用多种身份编码器和参考数据集进行，结果显示：所有审计均一致地揭示了显著的身份可区分性，但不同方法报告出的 epsilon 估计值却差异很大，这反映了各自不同的假设和有限样本处理方式。在高区分度场景下，实验结果不支持对四种方法进行可靠排序；作者认为它们的相对权衡应在部分私有机制上评估，并指出这是下一步的自然研究目标。该框架将多种审计置于共享的身份级审计环境中，澄清了各自的假设和有限样本处理如何影响最终 DP 估计。本文适合隐私保护领域、生成模型安全、以及考虑部署人脸生成服务时进行隐私合规验证的研究人员与工程师阅读。