論文の概要: MetaCloak-JPEG: JPEG-Robust Adversarial Perturbation for Preventing Unauthorized DreamBooth-Based Deepfake Generation

• arxiv url: http://arxiv.org/abs/2604.18537v1
• Date: Mon, 20 Apr 2026 17:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:53.018694
• Title: MetaCloak-JPEG: JPEG-Robust Adversarial Perturbation for Preventing Unauthorized DreamBooth-Based Deepfake Generation
• Title（参考訳）: MetaCloak-JPEG: JPEG-Robust Adversarial Perturbation forventing Unauthorized DreamBooth-based Deepfake Generation
• Authors: Tanjim Rahaman Fardin, S M Zunaid Alam, Mahadi Hasan Fahim, Md Faysal Mahfuz,
• Abstract要約: PhotoGuard、Anti-DreamBooth、MetaCloakのユーザー画像は、サロゲートの微調整を妨害する。 JPEG圧縮パイプラインを通じて勾配をバックプロパゲートすることはない。 DiffはJPEG対応のEOTに埋め込まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid progress of subject-driven text-to-image synthesis, and in particular DreamBooth, has enabled a consent-free deepfake pipeline: an adversary needs only 4-8 publicly available face images to fine-tune a personalized diffusion model and produce photorealistic harmful content. Current adversarial face-protection systems -- PhotoGuard, Anti-DreamBooth, and MetaCloak -- perturb user images to disrupt surrogate fine-tuning, but all share a structural blindness: none backpropagates gradients through the JPEG compression pipeline that every major social-media platform applies before adversary access. Because JPEG quantization relies on round(), whose derivative is zero almost everywhere, adversarial energy concentrates in high-frequency DCT bands that JPEG discards, eliminating 60-80% of the protective signal. We introduce MetaCloak-JPEG, which closes this gap by inserting a Differentiable JPEG (DiffJPEG) layer built on the Straight-Through Estimator (STE): the forward pass applies standard JPEG compression, while the backward pass replaces round() with the identity. DiffJPEG is embedded in a JPEG-aware EOT distribution (~70% of augmentations include DiffJPEG) and a curriculum quality-factor schedule (QF: 95 to 50) inside a bilevel meta-learning loop. Under an l-inf perturbation budget of eps=8/255, MetaCloak-JPEG attains 32.7 dB PSNR, a 91.3% JPEG survival rate, and outperforms PhotoGuard on all 9 evaluated JPEG quality factors (9/9 wins, mean denoising-loss gain +0.125) within a 4.1 GB training-memory budget.
• Abstract（参考訳）: 主題駆動のテキスト・ツー・イメージ合成の急速な進歩、特にDreamBoothは、同意なしのディープフェイクパイプラインを可能にした。 現在の敵対的な顔保護システム -- PhotoGuard、Anti-DreamBooth、MetaCloak -- は、ユーザーイメージを乱してサロゲートの微調整を妨害するが、すべてが構造的な盲点を共有している。 JPEG量子化は、ほぼ至るところで微分がゼロであるラウンド()に依存するため、敵エネルギーはJPEGが捨てる高周波DCTバンドに集中し、保護信号の60-80%を除去する。 我々は,STE(Straight-Through Estimator)上に構築された微分可能JPEG(DiffJPEG)層を挿入することで,このギャップを埋めるMetaCloak-JPEGを紹介した。 DiffJPEGはJPEG対応のEOTディストリビューション(DiffJPEGを含む拡張の約70%)とカリキュラム品質要素スケジュール(QF:95から50)に、バイレベルなメタラーニングループ内に埋め込まれている。 eps=8/255のl-inf摂動予算の下では、MetaCloak-JPEGは32.7dB PSNR、91.3%のJPEGサバイバルレートを獲得し、4.1GBのトレーニング-メモリ予算で、JPEG品質の9つの評価因子(9/9の勝利、平均デノイング-ロスゲイン+0.125)でPhotoGuardを上回っている。

関連論文リスト

• JPEG Inspired Deep Learning [4.958744940097937]
  精巧なJPEG圧縮は、ディープラーニング(DL)の性能を実際に向上させる トレーニング可能なJPEG圧縮層で基盤となるDNNアーキテクチャをプリペイドする新しいDLフレームワークであるJPEG-DLを提案する。 私たちのコードはhttps://github.com/AhmedHussKhalifa/Inspired-DL.gitで利用可能です。
  論文  参考訳（メタデータ） (2024-10-09T17:23:54Z)
• Differentiable JPEG: The Devil is in the Details [2.246961121930528]
  従来の制限を克服する新しいdiff. JPEGアプローチを提案する。 我々のアプローチは、入力画像、JPEG品質、量子化テーブル、色変換パラメータなど、微分可能である。 提案したdiff. JPEGは(非diff.)参照実装に最もよく似ており、最近のbest diff.アプローチを平均$3.47$dB (PSNR) で大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-13T14:13:08Z)
• Learned Lossless Compression for JPEG via Frequency-Domain Prediction [50.20577108662153]
  JPEG画像のロスレス圧縮を学習するための新しいフレームワークを提案する。 周波数領域での学習を可能にするために、DCT係数は暗黙の局所冗長性を利用するためにグループに分割される。 グループ化されたDCT係数のエントロピーモデリングを実現するために、重み付きブロックに基づいてオートエンコーダのようなアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-05T13:15:28Z)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
  人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。 提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
  論文  参考訳（メタデータ） (2021-09-29T17:12:10Z)
• Improving Cost Learning for JPEG Steganography by Exploiting JPEG Domain Knowledge [52.880912557105106]
  JEC-RLはJPEG DCT構造をカスタマイズするように設計されている。 強化学習下での埋め込み動作サンプリング機構で動作する。 JPEGイメージの高度な機能ベースと最新のCNNベースのステガナライザーの両方に対して、優れたセキュリティ性能を実現することができる。
  論文  参考訳（メタデータ） (2021-05-09T08:10:41Z)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)

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。