该论文研究人脸交换匿名化技术中的隐私保证可解释性问题。人脸交换通过将目标个体的人脸替换为捐赠者人脸，同时保留非面部上下文，以实现视觉上的匿名化；理论上，人脸识别系统应无法识别出目标身份，从而满足隐私保护需求。然而，作者对多种人脸交换模型进行实证评估后发现，目标身份信息仍有显著泄漏，这表明现有方法在隐私保护上存在缺陷。为深入理解泄漏机制，论文提出一种线性随机模型，将人脸交换器视为身份嵌入空间中的变换（可能伴随随机噪声），从而为身份泄漏提供一个可解释的数学描述。该模型可拟合经验数据，并据此推导出可测试的预测，帮助研究者预测和量化泄漏风险。最终目标是建立一个有原则、可解释的隐私评估框架，使正式隐私保证不再依赖纯观察结果，而是具有理论支撑且可被改进。本文为隐私保护、人脸识别和安全领域提供了新的理论工具，适合隐私保护研究者、人脸识别系统开发者及需评估匿名化方案的安全工程师阅读。

本文提出了一种名为PhantomSeal的新型主动防御技术，用于对抗换脸（face-swapping）深度伪造攻击。与大多数事后检测/追踪方法不同，PhantomSeal在深度伪造生成阶段之前进行干预，同时保护用户图像的身份和上下文信息，并支持取证追踪。其核心是一种隐蔽嵌入技术：将选定的“伪装身份”（cloak identity）作为隐藏标识嵌入图像中。当攻击者使用该图像进行换脸生成时，深度伪造模型会被误导，生成的内容倾向于呈现该伪装身份，从而阻止真实身份被成功替换。同时，嵌入的标识可通过特征分析进行取证，识别篡改内容。作者在多种换脸架构（如SimSwap）上进行了广泛实验，结果显示：PhantomSeal将SimSwap的攻击成功率降至0.30%，并能正确识别97.97%的篡改内容。该工作为主动防御深度伪造提供了新思路，适合安全研究人员、AI安全工程师以及内容真实性验证场景。