Fugu-MT 論文翻訳(概要): Privacy-Preserving Semantic Segmentation without Key Management

論文の概要: Privacy-Preserving Semantic Segmentation without Key Management

arxiv url: http://arxiv.org/abs/2604.16523v1
Date: Thu, 16 Apr 2026 10:45:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-21 21:52:52.05091
Title: Privacy-Preserving Semantic Segmentation without Key Management
Title（参考訳）: キーマネジメントなしのプライバシー保護セマンティックセマンティックセグメンテーション
Authors: Mare Hirose, Shoko Imaizumi, Hitoshi Kiya,
Abstract要約: 本稿では,クライアントとイメージ毎に独立鍵を使用可能な,新たなプライバシ保護セマンティックセマンティックセマンティックセマンティクス手法を提案する。実験では,SETRと呼ばれるビジョントランスフォーマーモデルを用いて,Cityscapesデータセット上で提案手法の有効性を確認した。
参考スコア（独自算出の注目度）: 1.2744523252873348
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a novel privacy-preserving semantic segmentation method that can use independent keys for each client and image. In the proposed method, the model creator and each client encrypt images using locally generated keys, and model training and inference are conducted on the encrypted images. To mitigate performance degradation, an image encryption method is applied to model training in addition to the generation of test images. In experiments, the effectiveness of the proposed method is confirmed on the Cityscapes dataset under the use of a vision transformer-based model, called SETR.
Abstract（参考訳）: 本稿では,クライアントとイメージ毎に独立鍵を使用可能な,新たなプライバシ保護セマンティックセマンティックセマンティックセマンティクス手法を提案する。提案手法では,各クライアントとモデル作成者が局所的に生成した鍵を用いて画像を暗号化し,その上でモデルトレーニングと推論を行う。性能劣化を軽減するため、テスト画像の生成に加えて、モデルトレーニングに画像暗号化手法を適用した。実験では,SETRと呼ばれるビジョントランスフォーマーモデルを用いて,Cityscapesデータセット上で提案手法の有効性を確認した。

関連論文リスト

A Privacy-Preserving Semantic-Segmentation Method Using Domain-Adaptation Technique [5.311735227179715]
モデルトレーニングやテスト画像に使用される画像に知覚暗号化を適用するためのプライバシー保護セマンティックセグメンテーション手法を提案する。この手法は、暗号化のないモデルとほぼ同等の精度を提供する。
論文参考訳（メタデータ） (2025-07-17T02:14:50Z)
Enhancing Privacy-Utility Trade-offs to Mitigate Memorization in Diffusion Models [62.979954692036685]
PRSSを導入し, 拡散モデルにおけるクラス化自由誘導手法を改良し, 即時再編成とセマンティック・プロンプト・サーチを統合した。当社のアプローチは一貫してプライバシーとユーティリティのトレードオフを改善し、新たな最先端技術を確立します。
論文参考訳（メタデータ） (2025-04-25T02:51:23Z)
Disposable-key-based image encryption for collaborative learning of Vision Transformer [5.762345156477736]
本稿では,プライバシ保護フェデレーション学習と同様に,複数のクライアントから機密データを共有して視覚変換器(ViT)をセキュアに訓練する手法を提案する。提案手法では,各クライアントが個別に,各クライアントが暗号化キーを作成できるように,トレーニングイメージを個別に暗号化し,これらの暗号化イメージを初めて使用することにより,ViTをトレーニングする。
論文参考訳（メタデータ） (2024-08-11T09:55:37Z)
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)
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)
Taming Encoder for Zero Fine-tuning Image Customization with Text-to-Image Diffusion Models [55.04969603431266]
本稿では,ユーザが指定したカスタマイズされたオブジェクトの画像を生成する手法を提案する。この手法は、従来のアプローチで要求される長大な最適化をバイパスする一般的なフレームワークに基づいている。提案手法は, 出力品質, 外観の多様性, 被写体忠実度を考慮した画像合成が可能であることを示す。
論文参考訳（メタデータ） (2023-04-05T17:59:32Z)
An Access Control Method with Secret Key for Semantic Segmentation Models [12.27887776401573]
非許可アクセスからモデルを保護するために,秘密鍵を用いた新しいアクセス制御法を提案する。セグメンテーション変換器(SETR)と呼ばれる視覚変換器(ViT)を用いたセグメンテーションモデルに焦点を当てる。
論文参考訳（メタデータ） (2022-08-28T04:09:36Z)
An Encryption Method of ConvMixer Models without Performance Degradation [14.505867475659276]
本稿では秘密鍵を用いたConvMixerモデルの暗号化手法を提案する。本手法の有効性を,分類精度とモデル保護の観点から評価した。
論文参考訳（メタデータ） (2022-07-25T07:09:16Z)
Image and Model Transformation with Secret Key for Vision Transformer [16.055655429920993]
普通の画像で訓練されたモデルを直接、暗号化された画像で訓練されたモデルに変換することができることを示す。変換されたモデルの性能は、キーで暗号化されたテスト画像を使用する場合、平易なイメージで訓練されたモデルと同じである。
論文参考訳（メタデータ） (2022-07-12T08:02:47Z)
Semantic Image Synthesis via Diffusion Models [174.24523061460704]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。セマンティック画像合成に関する最近の研究は、主に事実上のGANベースのアプローチに従っている。意味画像合成のためのDDPMに基づく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） (2022-06-30T18:31:51Z)

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。