杨云鹿，周亚建，宁 华

（1.中国信息通信研究院移动应用创新与治理技术工业和信息化部重点实验室，北京100191；2.北京邮电大学网络空间安全学院，北京100876）

引 言

随着大数据与计算机视觉技术的广泛应用，语义丰富的图像背后蕴藏的巨大价值得以挖掘，同时也带来了不容小觑的隐私泄漏问题［1］。若直接发布或使用语义丰富的图像，有可能会造成严重的隐私信息泄露。因此，如何在数据挖掘的应用中实现图像数据安全性与可用性之间的平衡日益成为重要的研究方向［2-3］。

近年来，深度学习在计算机视觉、图像处理、目标检测等领域成效卓然，备受国内外研究者的关注。深度学习是用于分析大规模数据集的代表性数据挖掘方法，通常需要大量的训练样本才能达到预期的效果。但是，在某些领域中，例如医疗、军事和旅游等，无法获得足量满足需求的样本数据。针对这个问题，Goodfellow 等［4］提出了一个通过对抗过程估计生成模型的深度学习框架，即生成对抗网络（Generative adversarial networks，GAN）。GAN 通过学习一组训练样本中的数据分布，可以从分布中进行采样并生成更多的具有同样分布的样本，以增加原始数据集的规模。在此基础上，GAN 及其变体结合了深度神经网络和博弈论的复杂性，生成了难以与原始数据区分的高质量“假”样本数据。

GAN 虽然拥有出色的性能，但它也同样存在着泄漏训练样本隐私信息的风险［4］。在深度神经网络中，对抗性的训练过程和高度复杂的模型结构共同作用生成了基于训练样本的数据分布。……