論文の概要: ISPCloak: Weaponizing ISP for Optimization-Free Physical Camouflage against Deepfake Detectors
- arxiv url: http://arxiv.org/abs/2607.21897v1
- Date: Fri, 24 Jul 2026 01:59:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.018963
- Title: ISPCloak: Weaponizing ISP for Optimization-Free Physical Camouflage against Deepfake Detectors
- Title（参考訳）: ISPCloak:最適化不要な物理カモフラージュ用ISPとディープフェイク検出器
- Abstract要約: 我々は,ISPパイプラインを明示的に武器化し,ディープフェイク検出器の判断を誤解させる新しい攻撃フレームワークISPCloakを提案する。
提案手法はまずインバーティブルISPネットワークを用いてRAW領域に画像を投影する。
そして、現実的なポアソン・ガウスセンサノイズを注入することにより、実カメラの複雑な統計的先行情報をAI生成画像にシームレスに印字する。
- 参考スコア（独自算出の注目度）: 14.415785941225735
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid advancement of generative models has spurred the critical need to evaluate the worst-case robustness of deepfake detectors. In this paper, we reveal a fundamental blind spot in current forensic paradigms: while existing detectors excel at capturing digital synthesis artifacts, their effectiveness drops drastically when AI-generated content is cloaked in authentic physical imaging characteristics. We posit that genuine photographs inherently possess hardware-intrinsic statistical signatures, which are imperceptible footprints imprinted by optical sensors and Image Signal Processing (ISP) pipelines, and are fundamentally absent in purely data-driven generative models. Driven by this insight, we propose ISPCloak, a novel optimization-free adversarial attack framework that explicitly weaponizes the ISP pipeline to mislead the judgment of deepfake detectors. Rather than relying on computationally expensive gradient perturbations, our method first employs an Invertible ISP network to project images into the RAW domain. Then, we seamlessly imprint the complex statistical priors of real cameras onto AI-generated images by injecting realistic Poisson-Gaussian sensor noise and conducting forward ISP reconstruction. Synergized with generative artifact suppression and adaptive masking, this streamlined physical simulation enables ultra-fast generation of adversarial examples. Extensive experiments show that embedding authentic physical perturbations fundamentally disrupts a broad range of current detection mechanisms, yielding universally evasive adversarial examples with imperceptible visual alterations.
- Abstract（参考訳）: 生成モデルの急速な進歩は、ディープフェイク検出器の最悪のロバスト性を評価するために重要な必要性を喚起した。
本稿では、既存の検出器がデジタル合成アーティファクトのキャプチャに優れる一方で、AI生成コンテンツが本物の物理画像特性で詰まってしまうと、その効果は大きく低下する、現在の法医学的パラダイムにおける基本的な盲点を明らかにする。
光センサや画像信号処理(ISP)パイプラインで印字されたフットプリントで、純粋にデータ駆動型生成モデルでは基本的に欠落している。
そこで我々は,ISPCloakを提案する。ISPCloakは,ISPパイプラインを明示的に武器化し,ディープフェイク検出器の判断を誤解させる,新しい最適化不要な敵攻撃フレームワークである。
計算コストのかかる勾配摂動に頼るのではなく、まずインバーティブルISPネットワークを用いてRAW領域に画像を投影する。
そして,現実的なポアソン・ガウスセンサノイズを注入し,前向きISP再構成を行うことにより,実写カメラの複雑な統計的先行情報をAI生成画像にシームレスに印字する。
生成的アーティファクトの抑制と適応的なマスキングを併用して、この合理化物理シミュレーションにより、超高速な敵の例を生成することができる。
広汎な実験により、真正な物理的摂動の埋め込みは、基本的に広範囲の現在の検出メカニズムを妨害し、認識不能な視覚変化を伴う普遍的に回避可能な敵の例をもたらすことが示されている。
関連論文リスト
- TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。
TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。
TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
論文 参考訳（メタデータ） (2026-07-28T15:51:39Z) - Effective Synthetic Image Detection via Noise Residual Clustering [10.793335916255366]
合成画像は誤報や詐欺などのセキュリティ上の脅威を生じさせる。
既存の検出器のほとんどは、大きなラベル付きデータセットによる教師付きトレーニングに依存している。
ノイズ残差指紋を用いたトレーニング不要検出法を提案する。
論文 参考訳（メタデータ） (2026-07-12T10:38:18Z) - Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。
本稿ではフォグフール(FogFool)を提案する。
2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-04-16T05:47:57Z) - Is Artificial Intelligence Generated Image Detection a Solved Problem? [16.9828631287303]
AIGIBenchは、最先端AIGI検出器の堅牢性と一般化能力を厳格に評価するために設計されたベンチマークである。
マルチソースの一般化、画像劣化に対する堅牢性、データ拡張に対する敏感性、テスト時間前処理の影響の4つのコアタスクを通じて、現実世界の課題をシミュレートする。
ソーシャルメディアやAIアートプラットフォームから収集された実世界のサンプルとともに、高度な画像生成技術と広く採用されている画像生成技術の両方にまたがる、23の多様なフェイクイメージサブセットが含まれている。
論文 参考訳（メタデータ） (2025-05-18T10:00:39Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Deepfake Sentry: Harnessing Ensemble Intelligence for Resilient Detection and Generalisation [0.8796261172196743]
本稿では,持続的かつ積極的なディープフェイクトレーニング強化ソリューションを提案する。
我々は、ディープフェイクジェネレータモデルによって導入されたアーティファクトの効果を模倣するオートエンコーダのプールを採用する。
実験の結果,提案するアンサンブル・オートエンコーダに基づくデータ拡張学習手法が一般化の点で改善されていることがわかった。
論文 参考訳（メタデータ） (2024-03-29T19:09:08Z) - Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。
安全で堅牢なバックドア型透かし注入法を提案する。
我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
論文 参考訳（メタデータ） (2023-09-04T19:58:35Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Learning Degradation-Independent Representations for Camera ISP Pipelines [14.195578257521934]
本稿では, 自己教師付き学習ベースライン表現の洗練を通じて, 劣化非依存表現(DiR)を学習するための新しい手法を提案する。
提案手法はドメイン一般化能力に優れ,様々なダウンストリームタスクにおいて最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2023-07-03T05:38:28Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2022-07-13T13:59:59Z) - Adversarial Imaging Pipelines [28.178120782659878]
我々は、特定のカメラISPを騙し、他のISPをそのままにしておく攻撃を開発する。
最新の自動車用ハードウェアISPを用いて提案手法を検証する。
論文 参考訳（メタデータ） (2021-02-07T06:10:54Z)
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。