論文の概要: Flux-Guard: Facial Identity Protection using diffusion models

• arxiv url: http://arxiv.org/abs/2606.17606v1
• Date: Tue, 16 Jun 2026 07:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.324232
• Title: Flux-Guard: Facial Identity Protection using diffusion models
• Title（参考訳）: Flux-Guard:拡散モデルを用いた顔認証保護
• Authors: Jie Wang, Tao Wang, Ru Zhang, Jianyi Liu,
• Abstract要約: 顔認識(FR)システムは、ソーシャルメディアや公共プラットフォームで共有される個人イメージを、アイデンティティリンクとプライバシーリスクに公開する。 既存の敵プライバシ保護手法は、未承認FR性能を劣化させることができるが、生成顔編集と互換性がない。 本稿では、敵攻撃に基づくプライバシー保護顔編集フレームワークであるFlux-Guardを提案する。
• 参考スコア（独自算出の注目度）: 22.069842804404285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread deployment of face recognition (FR) systems exposes personal images shared on social media and public platforms to identity linkage and privacy risks. Existing adversarial privacy protection methods can degrade unauthorized FR performance but are not compatible with generative face editing. Artificial intelligence-driven face editing tools are gaining popularity, which has significantly increased user demand for personalized portrait generation and social sharing. However, current editing methods often preserve identity features, making the edited images still susceptible to tracking by malicious FR systems. Thus, this paper proposes Flux-Guard, a privacy-preserving face editing framework based on adversarial attacks, which integrates face editing and privacy protection within a unified generative process. Specifically, we design a flow trajectory control method to align semantic manipulations with the generative process and introduce latent-space adversarial optimization with an adaptive perceptual-loss-driven weighting strategy, dynamically adjusting adversarial strength to maximize attack effectiveness while preserving visual quality. Extensive experiments demonstrate that Flux-Guard supports face editing while significantly improving attack success rates against cross-domain face recognition models on the CelebA-HQ and LADN datasets. Furthermore, evaluation results for commercial APIs have confirmed its effectiveness in real-world applications. The code is released at https://github.com/JLMWang/Flux-Guard.
• Abstract（参考訳）: 顔認識システム(FR)の広範な展開は、ソーシャルメディアや公共プラットフォームで共有される個人イメージを、アイデンティティリンクとプライバシーリスクに公開する。 既存の敵プライバシ保護手法は、未承認FR性能を劣化させることができるが、生成顔編集と互換性がない。 人工知能駆動の顔編集ツールの人気が高まり、パーソナライズされたポートレート生成とソーシャル共有に対するユーザーの需要が大幅に増加した。 しかし、現在の編集手法はしばしばアイデンティティ機能を保持しており、編集された画像は悪意のあるFRシステムによる追跡の影響を受けやすい。 そこで本稿では,Flux-Guardを提案する。Flux-Guardは,顔編集とプライバシ保護を統合生成プロセスに統合した,敵攻撃に基づくプライバシ保護顔編集フレームワークである。 具体的には、セマンティックな操作を生成過程と整合させるフロートラジェクトリ制御法を設計し、視覚的品質を保ちながら攻撃効率を最大化するために、適応的な知覚的ロス駆動重み付け戦略を用いて潜在空間の対角最適化を導入する。 大規模な実験では、Flux-Guardは顔編集をサポートし、CelebA-HQとLADNデータセットのクロスドメイン顔認識モデルに対する攻撃成功率を大幅に改善している。 さらに、商用APIの評価結果により、実世界のアプリケーションでの有効性が確認された。 コードはhttps://github.com/JLMWang/Flux-Guard.comで公開されている。

関連論文リスト

• Diffusion-based Adversarial Identity Manipulation for Facial Privacy Protection [14.797807196805607]
  顔認識は、ソーシャルネットワーク上での不正な監視とユーザー追跡によって、深刻なプライバシー上の懸念を引き起こしている。 既存のプライバシーを強化する方法は、顔のプライバシーを保護する自然な顔画像を生成するのに失敗する。 そこで我々はDiffAIMを提案し、悪意のあるFRシステムに対して自然かつ高度に伝達可能な対向顔を生成する。
  論文  参考訳（メタデータ） (2025-04-30T13:49:59Z)
• Enhancing Facial Privacy Protection via Weakening Diffusion Purification [36.33027625681024]
  ソーシャルメディアは個々の肖像画を広く共有し、深刻なプライバシーリスクを生じさせている。 近年の手法では、拡散モデルを用いて、プライバシー保護のための対向顔画像を生成する。 本研究では,非条件埋め込みを学習し,対向的修正のための学習能力を向上させることを提案する。 我々は、元の画像と生成された画像の間の構造的一貫性を維持するために、アイデンティティ保存構造を統合する。
  論文  参考訳（メタデータ） (2025-03-13T13:27:53Z)
• PersGuard: Preventing Malicious Personalization via Backdoor Attacks on Pre-trained Text-to-Image Diffusion Models [51.458089902581456]
  特定の画像の悪質なパーソナライズを防ぐ新しいバックドアベースのアプローチであるPersGuardを紹介する。 我々の手法は既存の技術よりも優れており、プライバシーと著作権保護に対するより堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-02-22T09:47:55Z)
• ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification [60.73617868629575]
  深層学習に基づく顔操作の誤用は、公民権に重大な脅威をもたらす。 この不正行為を防止するため、操作過程を妨害する積極的な防御法が提案されている。 本稿では,IDガード(ID-Guard)と呼ばれる顔の操作に対処するための普遍的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T09:30:08Z)
• DiffProtect: Generate Adversarial Examples with Diffusion Models for Facial Privacy Protection [64.77548539959501]
  DiffProtectは最先端の方法よりも自然に見える暗号化画像を生成する。 例えば、CelebA-HQとFFHQのデータセットで24.5%と25.1%の絶対的な改善が達成されている。
  論文  参考訳（メタデータ） (2023-05-23T02:45:49Z)
• Attribute-Guided Encryption with Facial Texture Masking [64.77548539959501]
  本稿では,顔認識システムからユーザを保護するために,顔テクスチャマスキングを用いた属性ガイド暗号化を提案する。 提案手法は,最先端の手法よりも自然な画像を生成する。
  論文  参考訳（メタデータ） (2023-05-22T23:50:43Z)
• Protecting Facial Privacy: Generating Adversarial Identity Masks via Style-robust Makeup Transfer [24.25863892897547]
  対向性化粧品転写GAN(AMT-GAN)は、対向性化粧品の顔画像構築を目的とした新しい顔保護法である。 本稿では,新しい正規化モジュールを導入するとともに,化粧品の移動における対向雑音とサイクル構成損失との矛盾を解消するための共同トレーニング戦略を導入する。
  論文  参考訳（メタデータ） (2022-03-07T03:56:17Z)

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。