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。

该论文关注鲁棒图像水印中的身份泄露问题。随着生成式AI发展，图像水印用于版权保护和所有权验证，但现有鲁棒水印方法易受两种攻击：对抗攻击（修改水印图像使解码失败）和身份泄露攻击（伪造水印图像）。作者发现，无论是经验鲁棒还是认证鲁棒的现有方法，都在增强鲁棒性时加剧了身份信息泄露（攻击者可利用可区分的特征伪造水印）。为解决此问题，论文提出W-IR，首个同时实现身份保护和鲁棒性的图像水印框架。核心方法包括：1）基于随机平滑的认证鲁棒机制，在像素级和坐标级两个变换空间上提供认证鲁棒性（利用Neyman-Pearson引理确定最优决策边界）；2）基于残差信息损失的身份泄露缓解策略，通过最小化残差图像与水印图像之间的互信息，减少身份特征的泄漏。实验表明，W-IR在保持高认证准确率的同时，有效降低了身份泄露风险，在鲁棒性和身份保护之间取得了更优平衡。代码已开源。