该论文研究了人脸识别系统中背景信息对图像相似度度量的影响。作者指出，通常人脸识别的准确度依赖于人脸及其表情，但背景中可能包含大量额外信息，这些信息可能对用户隐私构成威胁。实验中，作者使用DeepFace人脸识别系统，对六组不同数据集（包括不同种族、不同图像质量）的图像进行灰度化和背景白化预处理，然后计算原始图像与预处理图像之间的欧几里得距离（L2相似度）。结果表明，灰度化或背景白化使得图像变得不相似，甚至达到无法识别的程度。进一步发现，背景的影响在不同种族群体（如东亚、印度、非洲/非裔美国人）之间存在差异。作者强调，人脸图像背景中的信息可能显著且对隐私构成风险，并提出了如何识别具有较高隐私泄露风险的图像这一开放问题。该研究揭示了当前人脸识别系统在隐私保护方面的盲点，即背景信息可能被无意中用于识别或泄露用户敏感信息。

本文对生物特征模板保护方法 PolyProtect 的“不可逆性”进行了深入分析。PolyProtect 最初被提出用于保护人脸嵌入（face embeddings），它通过多元多项式将嵌入转换为受保护模板，每个主体的多项式的系数和指数都是唯一的。多项式被应用于嵌入中连续的元素集合，集合之间的重叠量是一个可调参数。作者首先展示了使用基于余弦距离的数值求解器比基于欧氏距离的求解器更容易反转 PolyProtected 模板。为了增加反转难度，他们提出了一种“密钥选择算法”，该算法试图选择使得模板更难被反转的“密钥”（多项式的系数和指数），而不是完全随机选择。实验表明，该算法能够显著提高模板的不可逆性，并且大致均衡了不同重叠参数生成的模板的不可逆性，从而更好地控制不可逆性与准确性之间的权衡。此外，文章还发现嵌入元素的范围会影响准确性，但通过在应用 PolyProtect 之前对嵌入进行归一化可以改善。该工作使用开源代码可复现。论文适合生物特征识别安全研究人员、模板保护设计者阅读。