論文の概要: A Privacy-Preserving Image Retrieval Scheme Using A Codebook Generated From Independent Plain-Image Dataset

• arxiv url: http://arxiv.org/abs/2109.01841v1
• Date: Sat, 4 Sep 2021 11:00:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 09:17:13.726717
• Title: A Privacy-Preserving Image Retrieval Scheme Using A Codebook Generated From Independent Plain-Image Dataset
• Title（参考訳）: 独立画像データセットから生成したコードブックを用いたプライバシー保護画像検索方式
• Authors: Kenta Iida and Hitoshi Kiya
• Abstract要約: プレーンイメージデータセットを用いて生成されたコードブックを用いて,プライバシ保護のための画像検索手法を提案する。 提案手法は, 平易な画像データセットからコードブックを生成する場合でも, 高い検索性能を維持することを実証する。
• 参考スコア（独自算出の注目度）: 15.483078145498085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a privacy-preserving image-retrieval scheme using a codebook generated by using a plain-image dataset. Encryption-then-compression (EtC) images, which were proposed for EtC systems, have been used in conventional privacy-preserving image-retrieval schemes, in which a codebook is generated from EtC images uploaded by image owners, and extended SIMPLE descriptors are then calculated as image descriptors by using the codebook. In contrast, in the proposed scheme, a codebook is generated from a dataset independent of uploaded images. The use of an independent dataset enables us not only to use a codebook that does not require recalculation but also to constantly provide a high retrieval accuracy. In an experiment, the proposed scheme is demonstrated to maintain a high retrieval performance, even if codebooks are generated from a plain image dataset independent of image owners' encrypted images.
• Abstract（参考訳）: 本稿では,平画像データセットを用いたコードブックを用いたプライバシー保護画像検索手法を提案する。 etcシステムで提案されている暗号化圧縮(etc)画像は、画像所有者がアップロードしたetc画像からコードブックを生成する従来のプライバシー保存画像リトライバルスキームで使用されており、コードブックを用いて拡張された簡易ディスクリプタを画像ディスクリプタとして算出する。 対照的に、提案方式では、アップロードされた画像に依存しないデータセットからコードブックを生成する。 独立したデータセットを使用することで、再計算を必要としないコードブックを使用するだけでなく、常に高い検索精度を提供することができます。 実験では,画像所有者の暗号化画像によらず,プレーン画像データセットからコードブックを生成する場合でも,高い検索性能を維持することを実証した。

関連論文リスト

• Privacy-Preserving Vision Transformer Using Images Encrypted with Restricted Random Permutation Matrices [5.311735227179715]
  本稿では,暗号化画像を用いたプライバシー保護型微調整型視覚変換器(ViT)を提案する。 従来の暗号化画像を用いた手法では,画像暗号化の影響により,通常の画像に比べてモデル性能が低下していた。
  論文  参考訳（メタデータ） (2024-08-16T04:57:21Z)
• Recoverable Privacy-Preserving Image Classification through Noise-like Adversarial Examples [26.026171363346975]
  分類などのクラウドベースの画像関連サービスが重要になっている。 本研究では,新しいプライバシー保護画像分類手法を提案する。 暗号化された画像は、秘密鍵を使用して、高い忠実度(保存可能な)で元の形式に復号することができる。
  論文  参考訳（メタデータ） (2023-10-19T13:01:58Z)
• DIAGNOSIS: Detecting Unauthorized Data Usages in Text-to-image Diffusion Models [79.71665540122498]
  保護されたデータセットにインジェクトされたコンテンツを配置することで、不正なデータ利用を検出する手法を提案する。 具体的には、ステルス画像ワープ機能を用いて、これらの画像にユニークな内容を追加することにより、保護された画像を修正する。 このモデルが注入されたコンテンツを記憶したかどうかを解析することにより、不正に不正に使用したモデルを検出することができる。
  論文  参考訳（メタデータ） (2023-07-06T16:27:39Z)
• iEdit: Localised Text-guided Image Editing with Weak Supervision [53.082196061014734]
  テキスト誘導画像編集のための新しい学習法を提案する。 ソースイメージに条件付けされた画像とテキスト編集プロンプトを生成する。 画像の忠実度、CLIPアライメントスコア、および生成された画像と実際の画像の両方を定性的に編集する点において、画像に対して好ましい結果を示す。
  論文  参考訳（メタデータ） (2023-05-10T07:39:14Z)
• ConfounderGAN: Protecting Image Data Privacy with Causal Confounder [85.6757153033139]
  本稿では,GAN(Generative Adversarial Network)のConfounderGANを提案する。 実験は、3つの自然なオブジェクトデータセットと3つの医療データセットからなる6つの画像分類データセットで実施される。
  論文  参考訳（メタデータ） (2022-12-04T08:49:14Z)
• StyleGAN Encoder-Based Attack for Block Scrambled Face Images [14.505867475659276]
  本稿では,スクランブルされた顔画像,特に Encryption-then-Compression (EtC) 適用画像のブロック手法を提案する。 暗号化された画像から同一の画像を復元する代わりに、暗号化された画像から識別可能な情報を明らかにするスタイルの復元に重点を置いている。 現状の攻撃方法はEtC画像から知覚情報を復元することはできないが,本手法では,髪の色,肌の色,眼鏡,性別などの個人識別情報を開示する。
  論文  参考訳（メタデータ） (2022-09-16T14:12:39Z)
• EViT: Privacy-Preserving Image Retrieval via Encrypted Vision Transformer in Cloud Computing [9.41257807502252]
  本稿では,暗号化ビジョン変換器(EViT)という新しいパラダイムを提案する。 EViTは、画像のプライバシーを効果的に保護しつつ、大きなマージンによる検索精度において、現在のスキームよりも優れた暗号化と検索性能を実現する。
  論文  参考訳（メタデータ） (2022-08-31T07:07:21Z)
• Privacy Preserving Image Registration [4.709526996577762]
  プライバシ保護体制下での画像登録の問題は、画像が秘密であり、明確には公開できないと仮定して定式化している。 我々は古典的な登録パラダイムを拡張し、セキュアなマルチパーティ計算や同型暗号化といった高度な暗号化ツールを考慮に入れます。 以上の結果から, 画像登録のためのプライバシー保護が実現可能であり, 医用画像の高感度化にも適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-05-17T14:00:58Z)
• Swapping Autoencoder for Deep Image Manipulation [94.33114146172606]
  画像操作に特化して設計されたディープモデルであるSwapping Autoencoderを提案する。 キーとなるアイデアは、2つの独立したコンポーネントで画像をエンコードし、交換された組み合わせをリアルなイメージにマップするように強制することだ。 複数のデータセットの実験により、我々のモデルはより良い結果が得られ、最近の生成モデルと比較してかなり効率が良いことが示されている。
  論文  参考訳（メタデータ） (2020-07-01T17:59:57Z)
• Modeling Lost Information in Lossy Image Compression [72.69327382643549]
  ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T04:04:56Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)

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。