Fugu-MT 論文翻訳(概要): Privacy-Preserving Vision Transformer Using Images Encrypted with Restricted Random Permutation Matrices

論文の概要: Privacy-Preserving Vision Transformer Using Images Encrypted with Restricted Random Permutation Matrices

arxiv url: http://arxiv.org/abs/2408.08529v1
Date: Fri, 16 Aug 2024 04:57:21 GMT
ステータス: 処理完了
システム内更新日: 2024-08-19 16:39:36.914097
Title: Privacy-Preserving Vision Transformer Using Images Encrypted with Restricted Random Permutation Matrices
Title（参考訳）: 制限ランダム置換行列で暗号化された画像を用いたプライバシー保護型視覚変換器
Authors: Kouki Horio, Kiyoshi Nishikawa, Hitoshi Kiya,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.311735227179715
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel method for privacy-preserving fine-tuning vision transformers (ViTs) with encrypted images. Conventional methods using encrypted images degrade model performance compared with that of using plain images due to the influence of image encryption. In contrast, the proposed encryption method using restricted random permutation matrices can provide a higher performance than the conventional ones.
Abstract（参考訳）: 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。対照的に、制限されたランダムな置換行列を用いた暗号化手法は、従来の手法よりも高い性能が得られる。

関連論文リスト

Enabling Practical and Privacy-Preserving Image Processing [5.526464269029825]
ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、復号化を必要とせずに機密性を保存する。従来のFHEメソッドは、ピクセルの代わりにモノリシックなデータブロックで画像を暗号化することが多い。 CKKS方式に基づく画素レベルの同型暗号化手法iCHEETAHを提案し,実装する。
論文参考訳（メタデータ） (2024-09-05T14:22:02Z)
An Effective Approach to Scramble Multiple Diagnostic Imageries Using Chaos-Based Cryptography [0.0]
カオスシステムに基づく医用画像暗号化方式を提案する。平画像とカオスキーに基づく置換は、平画像のピクセルを他の行や列にシャッフルするために提供される。本研究では, 分岐プロット, Lyapunov指数, MSE, PSNR試験, ヒストグラム解析などの様々な手法と試験を用いて, 提案システムのカオス的挙動を解析した。
論文参考訳（メタデータ） (2024-05-02T05:18:46Z)
Efficient Fine-Tuning with Domain Adaptation for Privacy-Preserving Vision Transformer [6.476298483207895]
視覚変換器(ViT)を用いたプライバシー保護型ディープニューラルネットワーク(DNN)の新しい手法を提案する。本手法では, モデルトレーニングや視覚的に保護された画像によるテストだけでなく, 暗号化画像の使用による性能劣化を回避できる。ドメイン適応法は、暗号化された画像でViTを効率よく微調整するために用いられる。
論文参考訳（メタデータ） (2024-01-10T12:46:31Z)
Perceptual Image Compression with Cooperative Cross-Modal Side Information [53.356714177243745]
本稿では,テキスト誘導側情報を用いた新しい深層画像圧縮手法を提案する。具体的には,CLIPテキストエンコーダとSemantic-Spatial Awareブロックを用いてテキストと画像の特徴を融合する。
論文参考訳（メタデータ） (2023-11-23T08:31:11Z)
PRO-Face S: Privacy-preserving Reversible Obfuscation of Face Images via Secure Flow [69.78820726573935]
保護フローベースモデルを用いて,プライバシ保護による顔画像の可逆難読化(Reversible Obfuscation of Face image)を略してpro-Face Sと命名する。本フレームワークでは、Invertible Neural Network(INN)を使用して、入力画像と、その事前難読化されたフォームとを処理し、事前難読化された画像と視覚的に近似したプライバシー保護された画像を生成する。
論文参考訳（メタデータ） (2023-07-18T10:55:54Z)
Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。ストレージの要求が大きいため、一般ユーザからは広く採用されていない。本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-21T06:59:07Z)
Human-imperceptible, Machine-recognizable Images [76.01951148048603]
より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
論文参考訳（メタデータ） (2023-06-06T13:41:37Z)
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 Classification Using ConvMixer with Adaptive Permutation Matrix [13.890279045382623]
本稿では,ConvMixer構造を用いた暗号化画像を用いたプライバシー保護画像分類手法を提案する。適応ネットワークを用いた従来の手法では,大きな画像は適用できない。本研究では,適応ネットワークを使わずに,ブロックワイズされた画像をConvMixerに適用できる新しい手法を提案する。
論文参考訳（メタデータ） (2022-08-04T09:55:31Z)
MaskGIT: Masked Generative Image Transformer [49.074967597485475]
MaskGITは、ランダムにマスクされたトークンを、あらゆる方向にトークンに出席することによって予測することを学ぶ。実験により、MaskGITはImageNetデータセット上で最先端のトランスフォーマーモデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2022-02-08T23:54:06Z)
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)

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。