論文の概要: Privacy Leakage of SIFT Features via Deep Generative Model based Image
Reconstruction
- arxiv url: http://arxiv.org/abs/2009.01030v1
- Date: Wed, 2 Sep 2020 12:59:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:56:25.457560
- Title: Privacy Leakage of SIFT Features via Deep Generative Model based Image
Reconstruction
- Title(参考訳): 深部生成モデルに基づく画像再構成によるsift特徴のプライバシー漏洩
- Authors: Haiwei Wu and Jiantao Zhou
- Abstract要約: SIFT(Scale Invariant Feature Transform)の機能のプライバシリークを評価する。
SIFT特徴量から潜像を再構成するための新しい深部生成モデルを提案する。
- 参考スコア(独自算出の注目度): 26.48132134854669
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many practical applications, e.g., content based image retrieval and object
recognition, heavily rely on the local features extracted from the query image.
As these local features are usually exposed to untrustworthy parties, the
privacy leakage problem of image local features has received increasing
attention in recent years. In this work, we thoroughly evaluate the privacy
leakage of Scale Invariant Feature Transform (SIFT), which is one of the most
widely-used image local features. We first consider the case that the adversary
can fully access the SIFT features, i.e., both the SIFT descriptors and the
coordinates are available. We propose a novel end-to-end, coarse-to-fine deep
generative model for reconstructing the latent image from its SIFT features.
The designed deep generative model consists of two networks, where the first
one attempts to learn the structural information of the latent image by
transforming from SIFT features to Local Binary Pattern (LBP) features, while
the second one aims to reconstruct the pixel values guided by the learned LBP.
Compared with the state-of-the-art algorithms, the proposed deep generative
model produces much improved reconstructed results over three public datasets.
Furthermore, we address more challenging cases that only partial SIFT features
(either SIFT descriptors or coordinates) are accessible to the adversary. It is
shown that, if the adversary can only have access to the SIFT descriptors while
not their coordinates, then the modest success of reconstructing the latent
image can be achieved for highly-structured images (e.g., faces) and would fail
in general settings. In addition, the latent image can be reconstructed with
reasonably good quality solely from the SIFT coordinates. Our results would
suggest that the privacy leakage problem can be largely avoided if the SIFT
coordinates can be well protected.
- Abstract(参考訳): コンテンツベースの画像検索やオブジェクト認識といった多くの実践的応用は、クエリ画像から抽出された局所的な特徴に大きく依存している。
これらのローカル機能は通常、信頼できない関係者に公開されるため、画像ローカル機能のプライバシー漏洩問題は近年注目を集めている。
本研究では,最も広く利用されている画像局所特徴の1つであるSIFT(Scale Invariant Feature Transform)のプライバシー漏洩を徹底的に評価する。
まず、敵がSIFT機能に完全にアクセスできる場合、すなわちSIFT記述子と座標の両方が利用可能である。
本稿では,そのSIFT特徴から潜像を再構成する,エンド・ツー・エンドの粗い深部生成モデルを提案する。
設計された深部生成モデルは2つのネットワークから構成されており、第1はSIFT特徴から局所バイナリパターン(LBP)特徴へ変換することで潜像の構造情報を学習し、第2は学習されたLBPによって導かれる画素値の再構成を目的としている。
最先端のアルゴリズムと比較して、提案した深層生成モデルは、3つの公開データセットに対して大幅に改善された結果を生成する。
さらに,SIFT の部分的特徴(SIFT 記述子または座標)のみが敵にアクセス可能であるという,より困難な問題に対処する。
敵が座標を使わずにsiftディスクリプタにアクセスできなければ、高構造な画像(例えば顔)に対して潜在イメージを再構築するというわずかな成功が得られ、一般的な設定では失敗することが示されている。
さらに、潜像はSIFT座標のみから合理的に良好な品質で再構成することができる。
この結果から,SIFT座標を適切に保護すれば,プライバシリークの問題を回避できることが示唆された。
関連論文リスト
- Lightweight single-image super-resolution network based on dual paths [0.552480439325792]
ディープラーニングのシングルイメージ超解像(SISR)アルゴリズムには,畳み込みニューラルネットワークとTransformerに基づく2つのモデルがある。
本稿では,2方向相補的畳み込みとトランスフォーマーに基づく,軽量なマルチスケール機能融合ネットワークモデルを提案する。
論文 参考訳(メタデータ) (2024-09-10T15:31:37Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - DPFNet: A Dual-branch Dilated Network with Phase-aware Fourier
Convolution for Low-light Image Enhancement [1.2645663389012574]
低照度画像の高精細化は、低照度画像から通常の露光画像を復元することを目的とした古典的なコンピュータビジョン問題である。
この分野でよく使われる畳み込みニューラルネットワークは、空間領域の低周波局所構造の特徴をサンプリングするのに長けている。
周波数位相のセマンティクスの制約の下で高品質なテクスチャの詳細を復元できるフーリエ係数を用いた新しいモジュールを提案する。
論文 参考訳(メタデータ) (2022-09-16T13:56:09Z) - Just Noticeable Difference Modeling for Face Recognition System [69.28990314553076]
本研究は,自動顔認証システムにおける特徴的差分(JND)について検討する試みである。
FRシステムのJND画像を直接推測する新しいJND予測モデルを開発した。
実験により,提案モデルによりJNDマップの精度が向上することが確認された。
論文 参考訳(メタデータ) (2022-09-13T10:06:36Z) - Iris Recognition Based on SIFT Features [63.07521951102555]
アイリス画像の認識にはSIFT(Scale Invariant Feature Transformation)を用いる。
我々は、SIFT演算子を用いて、スケール空間における特徴SIFT特徴点を抽出し、特徴点周辺のテクスチャ情報に基づいてマッチングを行う。
また、SIFT手法と、極座標変換とLog-Gaborウェーブレットに基づく一般的なマッチング手法の相補性を示す。
論文 参考訳(メタデータ) (2021-10-30T04:55:33Z) - Image Super-Resolution Quality Assessment: Structural Fidelity Versus
Statistical Naturalness [36.022063424485324]
単一画像スーパーリゾリューション(SISR)アルゴリズムは、低解像度(LR)のものと高リゾリューション(HR)画像を再構築する。
構造的忠実度と統計的自然度という2次元(2次元)空間におけるSISR生成画像の品質を評価する。
簡単な局所構造的忠実度とグローバルな統計的自然度測定の線形結合により、SISR画像の品質を驚くほど正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-05-15T04:31:48Z) - Analysis and Mitigations of Reverse Engineering Attacks on Local Feature
Descriptors [15.973484638972739]
我々は,制御条件下でスパース特徴マップに対するリバースエンジニアリング攻撃を示し,人気のある記述子の脆弱性を分析した。
画像マッチング精度を維持しつつ,プライバシ復元リスクを慎重にバランスをとるために,ディスクリプタのサブセットを選択する潜在的な緩和手法を評価する。
論文 参考訳(メタデータ) (2021-05-09T01:41:36Z) - Towards Unsupervised Deep Image Enhancement with Generative Adversarial
Network [92.01145655155374]
監視されていない画像強調生成ネットワーク(UEGAN)を提案する。
教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。
その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
論文 参考訳(メタデータ) (2020-12-30T03:22:46Z) - Bridging Composite and Real: Towards End-to-end Deep Image Matting [88.79857806542006]
画像マッチングにおける意味論と細部の役割について検討する。
本稿では,共有エンコーダと2つの分離デコーダを用いた新しいGlance and Focus Matting Network(GFM)を提案する。
総合的な実証研究により、GFMは最先端の手法より優れていることが示されている。
論文 参考訳(メタデータ) (2020-10-30T10:57:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。