論文の概要: DifFoundMAD: Foundation Models meet Differential Morphing Attack Detection

• arxiv url: http://arxiv.org/abs/2604.17961v1
• Date: Mon, 20 Apr 2026 08:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.772431
• Title: DifFoundMAD: Foundation Models meet Differential Morphing Attack Detection
• Title（参考訳）: DifFoundMAD:ディファレンシャルモーフィング攻撃検出に対応する基礎モデル
• Authors: Lazaro J. Gonzalez-Soler, André Dörsch, Christian Rathgeb, Christoph Busch,
• Abstract要約: パラメータ効率のよいD-MADフレームワークであるDifFoundMADを紹介する。 これは、視覚基盤モデル(FM)の一般化機能を利用して、疑わしい形態とライブキャプチャ画像との相違を捉えている。
• 参考スコア（独自算出の注目度）: 8.078681487621667
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work, we introduce DifFoundMAD, a parameter-efficient D-MAD framework that exploits the generalisation capabilities of vision foundation models (FM) to capture discrepancies between suspected morphs and live capture images. In contrast to conventional D-MAD systems that rely on face recognition embeddings or handcrafted feature differences, DifFoundMAD follows the standard differential paradigm while replacing the underlying representation space with embeddings extracted from FMs. By combining lightweight finetuning with class-balanced optimisation, the proposed method updates only a small subset of parameters while preserving the rich representational priors of the underlying FMs. Extensive cross-database evaluations on standard D-MAD benchmarks demonstrate that DifFoundMAD achieves consistent improvements over state-of-the-art systems, particularly at the strict security levels required in operational deployments such as border control: The error rates reported in the current state-of-the-art were reduced from 6.16% to 2.17% for high-security levels using DifFoundMAD.
• Abstract（参考訳）: 本研究では,視覚基盤モデル(FM)の一般化機能を利用したパラメータ効率のよいD-MADフレームワークであるDifFoundMADを紹介する。 顔認識の埋め込みや手作りの特徴の違いに依存する従来のD-MADシステムとは対照的に、DifFoundMADは標準微分パラダイムに従い、基礎となる表現空間をFMから抽出した埋め込みに置き換える。 軽量な微調整とクラスバランス最適化を組み合わせることで、提案手法は、基礎となるFMの豊かな表現先を保ちながら、パラメータの小さなサブセットだけを更新する。 標準的なD-MADベンチマークにおける大規模なクロスデータベース評価は、DifFoundMADが最先端システム、特に境界管理のような運用上のデプロイメントに必要な厳密なセキュリティレベルに対して一貫した改善を達成していることを示している。

関連論文リスト

• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• UniDiff: Parameter-Efficient Adaptation of Diffusion Models for Land Cover Classification with Multi-Modal Remotely Sensed Imagery and Sparse Annotations [3.588053519843616]
  本稿では,1つのイメージネット予測拡散モデルを用いて,対象領域データのみを用いて複数の知覚モダリティに適応するパラメータ効率のフレームワークを提案する。 UniDiffは、FiLMベースのタイムステップ・モダリティ条件付け、パラメータの約5%のパラメータ効率適応、および擬似RGBアンカーを組み合わせることで、事前訓練された表現を保存し、破滅的な忘れを防止する。
  論文  参考訳（メタデータ） (2025-11-29T00:57:53Z)
• MADation: Face Morphing Attack Detection with Foundation Models [8.761050602881074]
  モーフィング攻撃検知システムは、特定の種類の脅威、モーフィング攻撃を早期に検出することを目的としている。 ファンデーションモデル(FM)は、膨大な量の未ラベルデータから学習し、目に見えない領域に顕著なゼロショットの一般化を達成する。 本研究では,その特異性に適切に適応した場合に,FMがMADタスクで良好に機能する可能性を認識する。
  論文  参考訳（メタデータ） (2025-01-07T14:06:57Z)
• Unsupervised Modality Adaptation with Text-to-Image Diffusion Models for Semantic Segmentation [54.96563068182733]
  セグメンテーションタスクのためのテキスト・ツー・イメージ拡散モデル(MADM)を用いたモダリティ適応を提案する。 MADMは、広範囲な画像とテキストのペアで事前訓練されたテキストと画像の拡散モデルを使用して、モデルの相互モダリティ能力を向上する。 我々は,MADMが画像から深度,赤外線,イベントのモダリティといった様々なモダリティタスクにまたがって,最先端の適応性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-10-29T03:49:40Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• DMAD: Dual Memory Bank for Real-World Anomaly Detection [90.97573828481832]
  我々は、DMAD(Anomaly Detection)のための表現学習を強化したDual Memory Bankという新しいフレームワークを提案する。 DMADはデュアルメモリバンクを用いて特徴距離を計算し、正常パターンと異常パターンの間の特徴注意を計算している。 DMADをMVTec-ADおよびVisAデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-03-19T02:16:32Z)
• BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
  BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。 合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-03-15T11:21:34Z)
• Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
  拡散確率モデル (DPM) は画像の劣化に用いられている。 暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。 目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
  論文  参考訳（メタデータ） (2022-12-04T10:40:35Z)

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。