論文の概要: GaitProtector: Impersonation-Driven Gait De-Identification via Training-Free Diffusion Latent Optimization

• arxiv url: http://arxiv.org/abs/2605.12431v1
• Date: Tue, 12 May 2026 17:27:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:57.051046
• Title: GaitProtector: Impersonation-Driven Gait De-Identification via Training-Free Diffusion Latent Optimization
• Title（参考訳）: GaitProtector: 学習自由拡散潜時最適化による偽装駆動歩行復号化
• Authors: Huiran Duan, Qian Zhou, Zhongliang Guo, Junhao Dong, Yuqi Li, Guoying Zhao, Yingli Tian,
• Abstract要約: GaitProtectorは、偽装駆動の歩行識別フレームワークである。 ソースアイデンティティから保護された歩留まりを再現し、偽装によって選択されたターゲットアイデンティティへと引き寄せる。 CASIA-Bデータセットの実験では、GaitProtectorが5つの偽装の成功率を達成した。
• 参考スコア（独自算出の注目度）: 41.438625765081504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional gait de-identification methods often encounter an inherent trade-off: they either provide insufficient identity suppression or introduce spatiotemporal distortions that impede structure-sensitive downstream applications. We propose GaitProtector, an impersonation-driven gait de-identification framework that formulates privacy protection as a unified objective with two tightly coupled components: (i) obfuscation, which repels the protected gait from the source identity, and (ii) impersonation, which attracts it toward a selected target identity. The target identity serves as a semantic anchor that biases optimization toward structurally plausible gait patterns under the pretrained diffusion prior, helping preserve dominant body shape and motion dynamics. We instantiate this idea through a training-free diffusion latent optimization pipeline. Instead of retraining a generator for each dataset, we invert each input silhouette sequence into the latent trajectory of a pretrained 3D video diffusion model and iteratively optimize latent codes with a differentiable adversarial objective to synthesize protected gaits. Experiments on the CASIA-B dataset show that GaitProtector achieves a 56.7% impersonation success rate under black-box gait recognition and reduces Rank-1 identification accuracy from 89.6% to 15.0%, while maintaining favorable visual and temporal quality. We further evaluate downstream utility on the Scoliosis1K dataset, where diagnostic accuracy decreases only from 91.4% to 74.2%. To the best of our knowledge, this work is the first to leverage pretrained 3D diffusion priors in a training-free manner for silhouette-based gait de-identification.
• Abstract（参考訳）: 従来の歩行の非識別法は、しばしば固有のトレードオフに遭遇する:それらはアイデンティティの抑制が不十分であるか、または、構造に敏感な下流アプリケーションを妨げる時空間歪みを導入する。 プライバシ保護を密結合した2つのコンポーネントの統一目的として定式化する,偽装駆動の歩行識別フレームワークであるGaitProtectorを提案する。 一 元の身元から保護された歩留まりを補う難読化及び (ii)偽装は、選択されたターゲットアイデンティティに惹きつける。 対象のアイデンティティは、事前訓練された拡散の下で、構造的に妥当な歩行パターンに対して最適化をバイアスするセマンティックアンカーとして機能し、支配的な身体形状と運動力学を維持するのに役立つ。 トレーニング不要な拡散遅延最適化パイプラインを通じて、このアイデアをインスタンス化する。 各データセットのジェネレータを再トレーニングする代わりに、予め訓練された3次元ビデオ拡散モデルの潜時軌道に各入力シルエットシーケンスを反転させ、異なる対向目的の潜時符号を反復的に最適化し、保護された歩行を合成する。 CASIA-Bデータセットの実験では、GaitProtectorはブラックボックス歩行認識下で56.7%の偽装成功率を獲得し、ランク1の識別精度は89.6%から15.0%に低下し、視覚的および時間的品質は良好である。 診断精度は91.4%から74.2%に低下する。 我々の知る限りでは、この研究はシルエットに基づく歩行識別のためのトレーニング不要な方法で、事前訓練された3次元拡散先行を初めて活用するものである。

関連論文リスト

• FedSurrogate: Backdoor Defense in Federated Learning via Layer Criticality and Surrogate Replacement [3.3664896840786525]
  フェデレートラーニングは、バックドア攻撃の影響を受けやすい。 既存の防衛は、現実的な非独立かつ同一に分散された(非IID)データの下で、実質的な偽陽性率に悩まされている。 本稿では,2方向勾配フィルタと層適応型異常検出を組み合わせることで,この制限に対処する新しいバックドアディフェンスであるFedSurrogateを提案する。
  論文  参考訳（メタデータ） (2026-05-11T18:30:32Z)
• AI Evasion and Impersonation Attacks on Facial Re-Identification with Activation Map Explanations [13.564481603680838]
  本稿では,回避攻撃と偽装攻撃の両方が可能な敵パッチを生成するための新しい枠組みを提案する。 我々は,条件付きエンコーダ・デコーダネットワークを用いて,ソース画像とターゲット画像からのマルチスケール特徴を導出して,逆パッチを1つのフォワードパスで合成する。 我々のフレームワークはCelebA-HQで27%の成功率を獲得し、他のパッチベースの手法と競合する。
  論文  参考訳（メタデータ） (2026-03-16T15:12:41Z)
• FLUID: Training-Free Face De-identification via Latent Identity Substitution [4.41695602948061]
  FLUIDは、事前訓練された拡散モデルの潜在空間におけるアイデンティティを置換する、トレーニング不要のフレームワークである。 FLUIDはアイデンティティ抑制と属性保存のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-21T07:18:37Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-28T09:28:12Z)
• DiffMI: Breaking Face Recognition Privacy via Diffusion-Driven Training-Free Model Inversion [16.02881487974147]
  顔認識は、不変の生体データに依存するため、深刻なプライバシーリスクを引き起こす。 モデル反転攻撃は、アイデンティティ情報がまだ回復可能であることを明らかにし、重大な脆弱性を露呈する。 DiffMIは拡散駆動型トレーニングフリーモデルインバージョンアタックである。
  論文  参考訳（メタデータ） (2025-04-25T01:53:27Z)
• CopyrightShield: Enhancing Diffusion Model Security against Copyright Infringement Attacks [61.06621533874629]
  拡散モデルは、攻撃者が戦略的に修正された非侵害画像をトレーニングセットに注入する著作権侵害攻撃に弱い。 まず、上記の攻撃に対して防御するための防御フレームワーク、PhiliptyShieldを提案する。 実験により,PhiliptyShieldは2つの攻撃シナリオで有毒なサンプル検出性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-12-02T14:19:44Z)
• Privacy Protection in Personalized Diffusion Models via Targeted Cross-Attention Adversarial Attack [5.357486699062561]
  本稿では,CoPSAM(Selective Attention Manipulation)による新規かつ効率的な対向攻撃法を提案する。 この目的のために、クリーンなサンプルに付加される知覚不可能なノイズを慎重に構築し、その逆のノイズを得る。 CelebA-HQ顔画像データセットのサブセットに対する実験的検証は、我々のアプローチが既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-25T14:39:18Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
  本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。 我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
  論文  参考訳（メタデータ） (2023-03-20T17:34:05Z)
• Temporal Sparse Adversarial Attack on Sequence-based Gait Recognition [56.844587127848854]
  このような攻撃に対して,最先端の歩行認識モデルが脆弱であることを示す。 生成した対向ネットワークに基づくアーキテクチャを用いて、対向的な高品質な歩行シルエットやビデオフレームを意味的に生成する。 実験結果から, フレームの1分の1しか攻撃されない場合, 対象モデルの精度は劇的に低下することがわかった。
  論文  参考訳（メタデータ） (2020-02-22T10:08:42Z)

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。