In dieser Arbeit stellen wir einen neuen Ansatz zur Gesichtsanonymisierung in Bildern und Videos vor, abgekürzt als FIVA (Facial Image and Video Anonymization). Unser vorgeschlagener Methodenansatz ermöglicht es, die gleiche Gesichtsanonymisierung konsistent über mehrere Frames hinweg durchzuführen, wobei wir unser vorgeschlagenes Identitätstracking einsetzen und einen starken Unterschied zum Originalgesicht garantieren. FIVA erlaubt eine Rate von 0 True Positives bei einem Falsch-Akzeptanz-Rate von 0,001. Unsere Arbeit berücksichtigt das wichtige Sicherheitsproblem der Rekonstruktionsangriffe und untersucht feindliche Störungen (adversarial noise), gleichförmige Störungen (uniform noise) und Parameterstörungen (parameter noise), um Rekonstruktionsangriffe zu stören. In diesem Zusammenhang wenden wir verschiedene Verteidigungs- und Schutzmethoden gegen diese Datenschutzbedrohungen an, um die Skalierbarkeit von FIVA zu demonstrieren. Darüber hinaus zeigen wir, dass Rekonstruktionsangriffsmodule auch für die Erkennung von Deep Fakes verwendet werden können. Letztendlich präsentieren wir experimentelle Ergebnisse, die belegen, wie FIVA sogar das Gesichtsaustauschen ermöglicht, was ausschließlich auf einem einzelnen Zielbild trainiert wurde.