論文の概要: PPEDCRF: Dynamic-CRF-Guided Selective Perturbation for Background-Based Location Privacy in Video Sequences

• arxiv url: http://arxiv.org/abs/2604.17163v1
• Date: Sat, 18 Apr 2026 22:52:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.365938
• Title: PPEDCRF: Dynamic-CRF-Guided Selective Perturbation for Background-Based Location Privacy in Video Sequences
• Title（参考訳）: PPEDCRF:動的CRF誘導選択摂動によるビデオシーケンスの背景に基づく位置プライバシー
• Authors: Bo Ma, Weiqi Yan, Jinsong Wu,
• Abstract要約: PPEDCRFは、ギャラリーベースの検索攻撃者に対して、リリースされたビデオフレームにおけるエンファンバックグラウンドベースの位置プライバシーを保護する。 条件付きランダムフィールド (DCRF) を持つ位置感性背景領域を推定し, 正規化制御ペナルティ (NCP) を持つ再スケーリング強度を推定し, DP型キャリブレーション法により推定領域内のみにガウスノイズを注入する。
• 参考スコア（独自算出の注目度）: 7.172756746172751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose PPEDCRF, a calibrated selective perturbation framework that protects \emph{background-based location privacy} in released video frames against gallery-based retrieval attackers. Even after GPS metadata are stripped, an adversary can geolocate a frame by matching its background visual cues to geo-tagged reference imagery; PPEDCRF mitigates this threat by estimating location-sensitive background regions with a dynamic conditional random field (DCRF), rescaling perturbation strength with a normalized control penalty (NCP), and injecting Gaussian noise only inside the inferred regions via a DP-style calibration rule. On a controlled paired-scene retrieval benchmark with eight attacker backbones and three noise seeds, PPEDCRF reduces ResNet18 Top-1 retrieval accuracy from 0.667 to $0.361\pm0.127$ at $σ_0=8$ while preserving $36.14\,$dB PSNR -- an ${\approx}6\,$dB quality advantage over global Gaussian noise. Transfer across the eight-backbone seed-averaged benchmark is broadly supportive (23 of 24 backbone-gallery cells show negative $Δ$), while appendix-scale confirmation identifies MixVPR as a remaining adverse-transfer exception. Matched-operating-point analysis shows that PPEDCRF and global Gaussian noise converge in Top-1 privacy at equal utility, so the practical benefit is spatially concentrated perturbation that preserves higher visual quality at any given noise scale rather than stronger matched-utility privacy. Code: https://github.com/mabo1215/PPEDCRF
• Abstract（参考訳）: PPEDCRFは、ギャラリーベースの検索攻撃者に対して、リリースされたビデオフレームにおける \emph{background-based location privacy} を保護する、キャリブレーションされた選択的摂動フレームワークである。 PPEDCRFは、動的条件付ランダムフィールド (DCRF) で位置感性背景領域を推定し、正規化制御ペナルティ (NCP) で摂動強度を再スケーリングし、DPスタイルのキャリブレーションルールにより推論領域内でのみガウスノイズを注入することにより、この脅威を緩和する。 PPEDCRFは、8つのアタッカーバックボーンと3つのノイズシードを持つ制御されたペアシーンの検索ベンチマークにおいて、ResNet18 Top-1の検索精度を0.667から0.361\pm0.127$で$σ_0=8$に削減し、36.14\,$dB PSNR -- a ${\approx}6\,$dB品質上のグローバルガウスノイズよりも優れている。 8つのバックボーンの種子平均化ベンチマークの転送は広く支持され(24個のバックボーンのガレリー細胞のうち23個は負の$Δ$を示す)、付録スケールの確認ではMixVPRは残りの非参照例外として認識される。 PPEDCRFとグローバルガウスノイズは同等のユーティリティでTop-1プライバシに収束しているため、実用上の利点は、より強力なマッチングユーティリティプライバシではなく、任意のノイズスケールで高い視覚的品質を維持する空間集中摂動である。 コード:https://github.com/mabo1215/PPEDCRF

関連論文リスト

• TSDCRF: Balancing Privacy and Multi-Object Tracking via Time-Series CRF and Normalized Control Penalty [7.172756746172751]
  ビデオにおける多目的追跡は、しばしば、繊細なアイデンティティ情報を明らかにするための外観や位置の手がかりを必要とする。 3つのコンポーネントを組み合わせることで、プライバシとトラッキングのバランスをとるプラグイン改良フレームワークであるTSDCRFを提案する。 その結果、TSDCRFはホワイトノイズや先行手法よりもプライバシーとユーティリティのトレードオフが優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-14T00:27:12Z)
• PPEDCRF: Privacy-Preserving Enhanced Dynamic CRF for Location-Privacy Protection for Sequence Videos with Minimal Detection Degradation [7.329775099113131]
  本稿では,バックグラウンドベース検索攻撃下での位置情報プライバシリークについて検討する。 プライバシ保護型条件付きランダムフィールドフレームワークであるPEDCRFを提案する。 公共運転データセットの実験では、PPEDCRFが位置検索攻撃の成功を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2026-03-02T08:18:53Z)
• Blind Ultrasound Image Enhancement via Self-Supervised Physics-Guided Degradation Modeling [4.619828919345113]
  監視強化手法は、クリーンターゲットや既知の劣化へのアクセスを前提としている。 本稿では,Bモード画像の変換・復調を行うブラインド型自己教師型拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T15:28:25Z)
• LoRA and Privacy: When Random Projections Help (and When They Don't) [55.65932772290123]
  我々は、$S mapto M f(S)$ with $M sim W_d (1/r I_d, r)$という形のランダムマップである(ウィッシュアート)プロジェクション機構を導入し、その差分プライバシー特性について検討する。 ベクトル値が$f$の場合、付加雑音のない非漸近DP保証を証明し、ウィッシュアートのランダム性だけで十分であることを示す。 しかし,行列値クエリでは,ノイズフリーな環境では,そのメカニズムはDPではなく,その脆弱性を実証する。
  論文  参考訳（メタデータ） (2026-01-29T13:43:37Z)
• DPSR: Differentially Private Sparse Reconstruction via Multi-Stage Denoising for Recommender Systems [5.237172334460829]
  ディファレンシャルプライバシは、レコメンデーションシステムでユーザーデータを保護するためのゴールドスタンダードとして登場した。 既存のプライバシー保護メカニズムは、プライバシー予算が厳しくなるにつれ、根本的な課題に直面している。 DPSRは,新しい3段階のデノベーションフレームワークである。
  論文  参考訳（メタデータ） (2025-12-22T00:43:29Z)
• Fast Fourier Transform-Based Spectral and Temporal Gradient Filtering for Differential Privacy [1.5766082819987293]
  FFT強化カルマンフィルタ(FFTKF)を導入する。 FFTKFは、プライバシーノイズを少ない高周波成分に変えるために周波数領域フィルタリングを適用している。 MNIST、CIFAR-10、CIFAR-100、CNN、ワイドレスネット、ビジョントランスフォーマーによるTiny-ImageNetのDP-SGDやDiSKよりも高いテスト精度を実現する。
  論文  参考訳（メタデータ） (2025-05-07T14:38:58Z)
• Guarantees of confidentiality via Hammersley-Chapman-Robbins bounds [61.50022257278769]
  ノイズは最終分類器や他のタスク固有のレイヤの前に、最後のレイヤのアクティベーションに追加される。 入力の可能な全ての非バイアス推定器のばらつきを低くすることは、そのような付加ノイズから生じる機密性を定量化する。 数値実験により、HCR境界は小さなニューラルネットに対して有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-03T16:58:03Z)
• Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising [73.71324390085714]
  本稿では,現実の sRGB 画像復号化の問題を解決するために,新しい視点を提案する。 ノイズの多い画像における平坦領域とテクスチャ領域のそれぞれの特徴を考慮し、それらを個別に管理する。 LAN自体がBNNの出力で管理されているのに対して,我々はその要件を満たすためのローカル・アウェア・ネットワーク(LAN)を提案する。
  論文  参考訳（メタデータ） (2023-03-27T06:18:20Z)
• RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial Network [75.81653258081435]
  GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。 しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。 本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
  論文  参考訳（メタデータ） (2020-07-04T09:51:02Z)

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。