論文の概要: Realistic Face Reconstruction from Facial Embeddings via Diffusion Models

• arxiv url: http://arxiv.org/abs/2602.13168v1
• Date: Fri, 13 Feb 2026 18:28:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:54.074887
• Title: Realistic Face Reconstruction from Facial Embeddings via Diffusion Models
• Title（参考訳）: 拡散モデルによる顔面インプラントの現実的顔復元
• Authors: Dong Han, Yong Li, Joachim Denzler,
• Abstract要約: 顔埋め込みマッピング(FEM)は、顔への埋め込み攻撃を実行するためのKAN(Kolmogorov-Arnold Network)を探索するフレームワークである。 FEMは、プライバシー漏洩の観点からFRおよびPPFRシステムの安全性を評価するツールとして利用できる。
• 参考スコア（独自算出の注目度）: 15.29525231373385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advancement of face recognition (FR) systems, privacy-preserving face recognition (PPFR) systems have gained popularity for their accurate recognition, enhanced facial privacy protection, and robustness to various attacks. However, there are limited studies to further verify privacy risks by reconstructing realistic high-resolution face images from embeddings of these systems, especially for PPFR. In this work, we propose the face embedding mapping (FEM), a general framework that explores Kolmogorov-Arnold Network (KAN) for conducting the embedding-to-face attack by leveraging pre-trained Identity-Preserving diffusion model against state-of-the-art (SOTA) FR and PPFR systems. Based on extensive experiments, we verify that reconstructed faces can be used for accessing other real-word FR systems. Besides, the proposed method shows the robustness in reconstructing faces from the partial and protected face embeddings. Moreover, FEM can be utilized as a tool for evaluating safety of FR and PPFR systems in terms of privacy leakage. All images used in this work are from public datasets.
• Abstract（参考訳）: 顔認識(FR)システムの進歩により、プライバシ保護顔認識(PPFR)システムは、その正確な認識、顔のプライバシー保護の強化、様々な攻撃に対する堅牢性で人気を集めている。 しかし、特にPPFRにおいて、これらのシステムの埋め込みから現実的な高解像度の顔画像を再構成することで、プライバシーリスクをさらに検証する研究は限られている。 そこで本研究では,SOTA(State-of-the-art)FRとPPFRシステムに対して,事前学習したID保存拡散モデルを活用することで,KAN(Kolmogorov-Arnold Network)の組込み攻撃を行うための汎用フレームワークであるFEMを提案する。 広範囲な実験に基づいて、再構成された顔が他の実単語FRシステムにアクセスできるかどうかを検証する。 また,提案手法は,部分的および保護された顔の埋め込みから顔の再構築における堅牢性を示す。 さらに、FEMはプライバシー漏洩の観点からFRおよびPPFRシステムの安全性を評価するツールとして利用することができる。 この作業で使用されるすべてのイメージは、パブリックデータセットからである。

関連論文リスト

• DiffMI: Breaking Face Recognition Privacy via Diffusion-Driven Training-Free Model Inversion [16.02881487974147]
  顔認識は、不変の生体データに依存するため、深刻なプライバシーリスクを引き起こす。 モデル反転攻撃は、アイデンティティ情報がまだ回復可能であることを明らかにし、重大な脆弱性を露呈する。 DiffMIは拡散駆動型トレーニングフリーモデルインバージョンアタックである。
  論文  参考訳（メタデータ） (2025-04-25T01:53:27Z)
• Enhancing Facial Privacy Protection via Weakening Diffusion Purification [36.33027625681024]
  ソーシャルメディアは個々の肖像画を広く共有し、深刻なプライバシーリスクを生じさせている。 近年の手法では、拡散モデルを用いて、プライバシー保護のための対向顔画像を生成する。 本研究では,非条件埋め込みを学習し,対向的修正のための学習能力を向上させることを提案する。 我々は、元の画像と生成された画像の間の構造的一貫性を維持するために、アイデンティティ保存構造を統合する。
  論文  参考訳（メタデータ） (2025-03-13T13:27:53Z)
• Local Features Meet Stochastic Anonymization: Revolutionizing Privacy-Preserving Face Recognition for Black-Box Models [54.88064975480573]
  プライバシー保護顔認証(PPFR)の課題は現在、2つの未解決課題に直面している。 グローバルな特徴の破壊と局所的な特徴の強化により,ブラックボックス環境においても効果的に認識できる。 本手法は,ブラックボックスモデルの平均認識精度94.21%を達成し,プライバシ保護とアンチコンストラクションの両面で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-11T10:49:15Z)
• KAN See Your Face [14.282682770912947]
  我々は,コルモゴロフ・アルノルドネットワーク(KAN)を顔への埋め込み攻撃に利用するための最初のアプローチを紹介する。 FEMモデルは初期領域と対象領域からの埋め込みの分布マッピング関係を学習するために提案される。 マルチ層パーセプトロン (MLP) と比較して, 効率的な非線形埋め込み-埋め込みマッピングのために, FEM-KAN と FEM-MLP の2つの変種を提供する。
  論文  参考訳（メタデータ） (2024-11-27T09:21:42Z)
• Generalized Face Liveness Detection via De-fake Face Generator [52.23271636362843]
  以前の顔アンチスプーフィング(FAS)手法は、目に見えない領域に一般化するという課題に直面している。 本稿では,大規模に付加的な現実面を効果的に活用できるAnomalous cue Guided FAS (AG-FAS)法を提案する。 提案手法は,未知のシナリオと未知のプレゼンテーションアタックを用いたクロスドメイン評価において,最先端の結果を実現する。
  論文  参考訳（メタデータ） (2024-01-17T06:59:32Z)
• Attribute-Guided Encryption with Facial Texture Masking [64.77548539959501]
  本稿では,顔認識システムからユーザを保護するために,顔テクスチャマスキングを用いた属性ガイド暗号化を提案する。 提案手法は,最先端の手法よりも自然な画像を生成する。
  論文  参考訳（メタデータ） (2023-05-22T23:50:43Z)
• Real Face Foundation Representation Learning for Generalized Deepfake Detection [74.4691295738097]
  ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。 十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。 本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-15T08:27:56Z)
• OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
  我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。 本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。 提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
  論文  参考訳（メタデータ） (2022-05-24T11:29:37Z)
• End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
  最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。 本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。 我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
  論文  参考訳（メタデータ） (2021-08-21T09:08:41Z)

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。