論文の概要: Imperceptible and Reversible Adversarial Examples against Vision-Language Models for Privacy Protection

• arxiv url: http://arxiv.org/abs/2607.10329v1
• Date: Sat, 11 Jul 2026 14:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.39617
• Title: Imperceptible and Reversible Adversarial Examples against Vision-Language Models for Privacy Protection
• Title（参考訳）: プライバシー保護のための視覚言語モデルに対する非知覚的・可逆的対応例
• Abstract要約: ビジョン言語モデル(VLM)は強力なマルチモーダル機能を提供するが、テキストベースのプライバシ攻撃にユーザをさらけ出す。 テキストベースのクエリアタックに対する可逆的かつ高忠実なプライバシ保護のための最初のフレームワークであるClarkDiffを提案する。
• 参考スコア（独自算出の注目度）: 41.47359176400441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision Language Models (VLMs) offer powerful multimodal ability but also expose users to text-based privacy attacks where adversaries crawl online photos and query VLMs to extract sensitive attributes. Existing reversible adversarial example (RAE) methods protect images in purely visual tasks but fail in multimodal settings, and current adversarial examples on VLMs rely on high frequency noise that severely degrades visual quality. We propose CloakDiff, the first framework for reversible, high fidelity privacy protection against text-based query attacks in VLMs. CloakDiff produces imperceptible adversarial examples by combining diffusion based adversarial editing with an invertible network that embeds the original image for lossless recovery. It perturbs both pixel space embeddings and manipulates latent cross attention maps to ensure strong cross-model and cross-prompt transferability while preserving global visual structure. To further enhance fidelity, we design EDM Heuristic Sampling, a principled diffusion schedule for adversarial guidance. Experiments on multiple datasets and VLMs demonstrate that CloakDiff delivers multimodal privacy preservation with high visual quality and reversibility.
• Abstract（参考訳）: ヴィジュアル言語モデル(VLM)は強力なマルチモーダル能力を提供するが、相手がオンライン写真をクロールしたり、VLMをクエリして機密属性を抽出するテキストベースのプライバシ攻撃にもユーザをさらしている。 既存の可逆逆逆逆法(RAE)は、純粋に視覚的なタスクでは画像を保護するが、マルチモーダルな設定では失敗する。 我々は,VLMにおけるテキストベースのクエリアタックに対する,可逆かつ高忠実なプライバシ保護のための最初のフレームワークであるClarkDiffを提案する。 CloakDiffは、拡散に基づく逆数編集と、元の画像を埋め込んだ非可逆的ネットワークを組み合わせることで、知覚不能な逆数例を生成する。 ピクセル空間の埋め込みと遅延したクロスアテンションマップの操作の両方を摂動させ、グローバルな視覚構造を維持しながら強力なクロスモデルとクロスプロンプト転送性を確保する。 さらに忠実度を高めるために,逆方向誘導のための原理的拡散スケジュールであるEDMヒューリスティックサンプリングを設計する。 複数のデータセットとVLMの実験により、CloakDiffは、高い視覚的品質と可逆性を備えたマルチモーダルなプライバシ保護を提供することを示した。

関連論文リスト

• TrustCLIP: Learning Private Visual Features via Adversarial Reconstruction [51.17509341761903]
  TrustCLIPは、機能条件付きジェネレータを明示的なプライバシ敵として扱う、再構築駆動のフレームワークである。 従来の分類とマルチモーダルな大規模言語モデルパイプラインにおいて,その有効性を示す。
  論文  参考訳（メタデータ） (2026-07-05T20:11:00Z)
• SIDeR: Semantic Identity Decoupling for Unrestricted Face Privacy [53.75084833636302]
  本稿では,非制限顔プライバシー保護のためのセマンティックデカップリング駆動フレームワークSIDeRを提案する。 SIDeRは、顔画像をマシン認識可能な識別特徴ベクトルと視覚的に知覚可能なセマンティックな外観成分に分解する。 認証されたアクセスのために、SIDeRは正しいパスワードが提供されるときに元の形式に復元できる。
  論文  参考訳（メタデータ） (2026-02-04T19:30:48Z)
• VIP: Visual Information Protection through Adversarial Attacks on Vision-Language Models [15.158545794377169]
  我々は,視覚言語モデルにおけるプライバシの保存を敵攻撃問題とみなす。 画像中の関心領域内の情報を選択的に隠蔽する新たな攻撃戦略を提案する。 3つの最先端VLMに対する実験結果から、目標ROIの検出において最大98%の低下が見られた。
  論文  参考訳（メタデータ） (2025-07-11T19:34:01Z)
• Break the Visual Perception: Adversarial Attacks Targeting Encoded Visual Tokens of Large Vision-Language Models [15.029014337718849]
  大きな視覚言語モデル(LVLM)は、視覚情報を大きな言語モデルに統合し、目覚ましい多モーダルな会話能力を示す。 一般に、LVLMは視覚エンコーダに頼って画像を視覚トークンに変換するが、これは言語モデルが画像の内容を効果的に知覚するのに不可欠である。 本稿では,VT-Attackと呼ばれる非標的攻撃手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T09:06:56Z)
• White-box Multimodal Jailbreaks Against Large Vision-Language Models [61.97578116584653]
  本稿では,テキストと画像のモダリティを併用して,大規模視覚言語モデルにおけるより広範な脆弱性のスペクトルを利用する,より包括的戦略を提案する。 本手法は,テキスト入力がない場合に,逆画像プレフィックスをランダムノイズから最適化し,有害な応答を多様に生成することから始める。 様々な有害な指示に対する肯定的な反応を誘発する確率を最大化するために、対向テキスト接頭辞を、対向画像接頭辞と統合し、共最適化する。
  論文  参考訳（メタデータ） (2024-05-28T07:13:30Z)
• Revisiting the Adversarial Robustness of Vision Language Models: a Multimodal Perspective [42.04728834962863]
  CLIPのような事前訓練された視覚言語モデル(VLM)は、様々な下流タスクにまたがる例外的な一般化を示している。 近年の研究では、テキストベースおよびマルチモーダル攻撃に対する防御がほとんど未調査のままであり、敵攻撃に対する脆弱性が明らかにされている。 本研究は,画像,テキスト,マルチモーダル入力を標的とした攻撃に対して,VLMの対角的堅牢性を改善するための最初の総合的研究である。
  論文  参考訳（メタデータ） (2024-04-30T06:34:21Z)
• Adversarial Prompt Tuning for Vision-Language Models [86.5543597406173]
  AdvPT(Adversarial Prompt Tuning)は、視覚言語モデル(VLM)における画像エンコーダの対向ロバスト性を高める技術である。 我々は,AdvPTが白箱攻撃や黒箱攻撃に対する抵抗性を向上し,既存の画像処理による防御技術と組み合わせることで相乗効果を示すことを示した。
  論文  参考訳（メタデータ） (2023-11-19T07:47:43Z)
• 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)
• Towards Prompt-robust Face Privacy Protection via Adversarial Decoupling Augmentation Framework [20.652130361862053]
  顔認識保護アルゴリズムの防御性能を高めるために,Adversarial Decoupling Augmentation Framework (ADAF)を提案する。 ADAFは、様々な攻撃プロンプトに対する防御安定のために、多レベルテキスト関連の拡張を導入している。
  論文  参考訳（メタデータ） (2023-05-06T09:00:50Z)

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。