論文の概要: Unsafe2Safe: Controllable Image Anonymization for Downstream Utility

• arxiv url: http://arxiv.org/abs/2603.28605v1
• Date: Mon, 30 Mar 2026 15:54:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.496842
• Title: Unsafe2Safe: Controllable Image Anonymization for Downstream Utility
• Title（参考訳）: Unsafe2Safe: ダウンストリームユーティリティのためのコントロール可能なイメージ匿名化
• Authors: Mih Dinh, SouYoung Jin,
• Abstract要約: Unsafe2Safeは、プライバシーに問題のあるイメージを検出し、機密性の高いリージョンのみを書き換える、完全に自動化されたパイプラインである。 視覚言語モデルを用いて、プライバシリスクのイメージを検査し、ペア化されたプライベートキャプションとパブリックキャプションを生成し、大規模言語モデルに構造化されたアイデンティティニュートラルな編集命令を生成する。 ステージ2では、命令駆動の拡散エディタを使用して、これら2つのテキストプロンプトを適用し、プライバシセーフなイメージを生成する。
• 参考スコア（独自算出の注目度）: 2.5484740244438524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale image datasets frequently contain identifiable or sensitive content, raising privacy risks when training models that may memorize and leak such information. We present Unsafe2Safe, a fully automated pipeline that detects privacy-prone images and rewrites only their sensitive regions using multimodally guided diffusion editing. Unsafe2Safe operates in two stages. Stage 1 uses a vision-language model to (i) inspect images for privacy risks, (ii) generate paired private and public captions that respectively include and omit sensitive attributes, and (iii) prompt a large language model to produce structured, identity-neutral edit instructions conditioned on the public caption. Stage 2 employs instruction-driven diffusion editors to apply these dual textual prompts, producing privacy-safe images that preserve global structure and task-relevant semantics while neutralizing private content. To measure anonymization quality, we introduce a unified evaluation suite covering Quality, Cheating, Privacy, and Utility dimensions. Across MS-COCO, Caltech101, and MIT Indoor67, Unsafe2Safe reduces face similarity, text similarity, and demographic predictability by large margins, while maintaining downstream model accuracy comparable to training on raw data. Fine-tuning diffusion editors on our automatically generated triplets (private caption, public caption, edit instruction) further improves both privacy protection and semantic fidelity. Unsafe2Safe provides a scalable, principled solution for constructing large, privacy-safe datasets without sacrificing visual consistency or downstream utility.
• Abstract（参考訳）: 大規模な画像データセットには、識別または機密性の高いコンテンツが頻繁に含まれており、そのような情報を記憶し漏洩する可能性のあるトレーニングモデルにおいて、プライバシのリスクが高まる。 Unsafe2Safeは、プライバシーを害する画像を検出し、マルチモーダルな拡散編集を用いて、その機密領域のみを書き換える完全に自動化されたパイプラインである。 Unsafe2Safeは2段階で動作する。 ステージ1は視覚言語モデルを使用する (i)プライバシー上のリスクのイメージを検査すること。 二 感性属性をそれぞれ含み、省略する二対の私的・公的なキャプションを生成し、 三 大規模な言語モデルに対し、公開キャプションに条件付き構造化されたアイデンティティニュートラルな編集命令を作成するよう促す。 ステージ2では、命令駆動の拡散エディタを使用して、これら2つのテキストプロンプトを適用し、プライベートコンテンツを中立化しながら、グローバル構造とタスク関連セマンティクスを保護したプライバシセーフなイメージを生成する。 匿名化の品質を測定するために,品質,評価,プライバシ,ユーティリティの両面をカバーする統一評価スイートを導入する。 MS-COCO、Caltech101、MIT Indoor67全体で、Unsafe2Safeは、顔の類似性、テキストの類似性、人口統計予測性を大きなマージンで削減し、一方、生データのトレーニングに匹敵するダウンストリームモデルの精度を維持している。 自動生成された三つ子(プライベートキャプション、公開キャプション、編集命令)の微調整拡散エディタは、プライバシー保護とセマンティック忠実性の両方を改善する。 Unsafe2Safeは、視覚的一貫性や下流ユーティリティを犠牲にすることなく、大規模でプライバシに安全なデータセットを構築するための、スケーラブルで原則化されたソリューションを提供する。

関連論文リスト

• DP^2-VL: Private Photo Dataset Protection by Data Poisoning for Vision-Language Models [47.98028812152569]
  アイデンティティ・アフィリエイト学習というプライバシ・脅威モデルを提案する。 攻撃者は、ターゲット個人の数枚のプライベート写真を使用して、VLMを微調整する。 このモデルにより、写真入力時に対象ユーザの個人情報を不正に露呈することができる。 このプライバシーリスクを軽減するため、プライベート写真のための最初のデータセット保護フレームワークDP2-VLを提案する。
  論文  参考訳（メタデータ） (2026-03-25T04:30:42Z)
• Privacy Collapse: Benign Fine-Tuning Can Break Contextual Privacy in Language Models [47.866853046761044]
  トレーニングデータの多様で微妙なパターンは、コンテキストプライバシを低下させる可能性がある。 微調整されたモデルは、コンテキストプライバシの規範を推論する能力を失う。 この結果から, 現状の安全性評価に重大なギャップがあることが判明した。
  論文  参考訳（メタデータ） (2026-01-21T17:53:06Z)
• SafeGuider: Robust and Practical Content Safety Control for Text-to-Image Models [74.11062256255387]
  テキスト・ツー・イメージのモデルは、安全対策を回避し、有害なコンテンツを生成できる敵のプロンプトに対して非常に脆弱である。 SafeGuiderは, 生成品質を損なうことなく, 堅牢な安全制御を実現するための2段階のフレームワークである。 SafeGuiderは攻撃成功率の最小化において例外的な効果を示し、様々な攻撃シナリオで最大速度は5.48%である。
  論文  参考訳（メタデータ） (2025-10-05T10:24:48Z)
• Privacy-Preserving in Connected and Autonomous Vehicles Through Vision to Text Transformation [0.9831489366502302]
  本稿では,フィードバックベース強化学習(RL)と視覚言語モデル(VLM)を活用した,新たなプライバシ保護フレームワークを提案する。 イメージを意味論的に等価なテキスト記述に変換し、視覚的プライバシが保持されている間にシーン関連情報が保持されることを保証する。 評価結果は,プライバシ保護とテキスト品質の両方において,大幅な改善が見られた。
  論文  参考訳（メタデータ） (2025-06-18T20:02:24Z)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)
• InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
  視覚データに流出した個人情報を個人が制限できる技術について検討する。 我々はこの問題を新しい画像難読化フレームワークで解決する。 提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
  論文  参考訳（メタデータ） (2020-05-20T19:48:04Z)

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。