文章提出了一种创新的区域保留生成对抗网络（GAN）反演方法，用于在牙科患者图像中保护身份隐私，同时保留牙科特征（如牙齿、颌形、嘴唇），以支持教育和研究。该方法通过训练一个区域保留编码器，优化 GAN 反演过程，确保牙科区域的准确重建。实验结果表明，系统在多种输入图像上有效生成去识别的合成图像，保留关键牙科特征，并通过临床专家评估验证其有效性和实用性。该方法为牙科教育和研究提供了一种高效的去身份化解决方案。
牙科患者图像是牙科教育和研究的关键资源，但其中包含的可识别面部特征（如眼睛区域）需被遮蔽以保护患者隐私。传统手动遮挡方法效率低下，且无法完全隐藏身份信息。文章提出一种创新的区域保留 GAN 反演技术，通过修改面部身份同时保留牙科特征，实现隐私保护与医疗实用性的平衡。
该方法基于 StyleGAN2 构建，利用两种图像：上下文图像（StyleGAN 生成的虚拟身份）和目标图像（真实牙科患者图像）。首先，从目标图像裁剪牙科区域并融合至上下文图像，再通过 GAN 反演将合成图像映射至语义化潜在空间，生成身份修改后但牙科特征保留的输出。
为解决传统 GAN 反演忽略特定区域的问题，文章设计了一种新型编码器。其损失函数包含两部分：一是潜在代码的欧氏距离损失，二是牙科区域的像素级重建损失。该设计强制编码器在身份转换过程中精确保持牙齿、颌形等关键特征。
开发了包含四模块的完整流程：1) MTCNN 人脸检测与对齐；2) ResNet-18 身份分类器（性别/年龄/种族）；3) 上下文身份数据库匹配；4) 区域保留图像生成器。该框架自动匹配相似身份以提升合成真实性。
在微笑与非微笑面部图像的测试中，方法成功实现身份替换与牙科特征保留。五名临床专家对 60 张图像（30 对原始与合成）的评估表明：合成图像达到有效去身份化，牙科特征保持高真实性，且对诊断和教育具有中等实用性。不同年龄与性别组的实验结果验证了方法的鲁棒性。
文章方法在保留牙科特征的同时修改身份，解决了隐私与医疗需求的冲突。局限性包括细微特征可能丢失及上下文数据库规模限制。未来可通过扩展身份多样性进一步提升实用性。该技术为牙科教育提供了可扩展的隐私保护方案，并支持大规模研究数据集构建。