論文の概要: Double Down on Defense: Strengthening Deep Perceptual Hashes against Evasion Attacks without Retraining

• arxiv url: http://arxiv.org/abs/2608.03101v1
• Date: Tue, 04 Aug 2026 04:18:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.029352
• Title: Double Down on Defense: Strengthening Deep Perceptual Hashes against Evasion Attacks without Retraining
• Title（参考訳）: 防衛の二重化:再訓練なしでの侵入攻撃に対する深い知覚的ハッシュの強化
• Abstract要約: ほぼ重複した画像マッチングは、信頼と安全、証明の証明、著作権の執行、大規模ビジュアル検索に不可欠である。 提案するDualShieldは,既存の深い知覚ハッシュの堅牢性を向上させるプラグインディフェンスであり,モデルの再トレーニングや修正は行わない。
• 参考スコア（独自算出の注目度）: 6.6365968273594484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Near-duplicate image matching is crucial for trust and safety, provenance verification, copyright enforcement, and large-scale visual search. Modern platforms increasingly rely on deep perceptual hashes, which map visually similar images to nearby representations despite common image transformations. However, adversarial perturbations can cause near-duplicates to evade matching. We present DualShield, a plug-in defense that improves the robustness of existing deep perceptual hashes without retraining or modifying their underlying models. DualShield combines matching-time randomized smoothing, which aggregates decisions over perturbed reference-query pairs, with publication-time hardening, which adds an optimized imperceptible perturbation to each reference image before publication. Together, these mechanisms provide certified and empirical robustness. DualShield achieves a certified $\ell_2$ radius of approximately 0.3, guaranteeing that query perturbations within this radius cannot evade matching. We further evaluate it against adaptive white-box, black-box, and image-transformation attacks. Across eight deep perceptual hashes and three datasets, DualShield substantially reduces attack success rates while preserving low collision rates. These results show that deep perceptual hashes can be strengthened without costly retraining by improving the matching procedure and hardening reference images before publication.
• Abstract（参考訳）: ほぼ重複した画像マッチングは、信頼と安全、証明の証明、著作権の執行、大規模ビジュアル検索に不可欠である。 現代のプラットフォームは、一般的な画像変換にもかかわらず、視覚的に類似した画像を近くの表現にマップする深い知覚ハッシュにますます依存している。 しかし、逆境の摂動は、ほぼ重複してマッチングを回避する可能性がある。 提案するDualShieldは,既存の深い知覚ハッシュの堅牢性を向上させるプラグインディフェンスであり,モデルの再トレーニングや修正は行わない。 DualShieldはマッチング時ランダム化スムーシング(英語版)とパブリッシュ時ハードニング(英語版)を組み合わせ、パブリッシュ前の各参照画像に最適化不可能な摂動を加える。 これらのメカニズムは、証明され実証的な堅牢性を提供する。 DualShieldは、約0.3の認定された$\ell_2$半径を達成し、この半径内のクエリの摂動がマッチングを回避することができないことを保証している。 さらに,適応的ホワイトボックス,ブラックボックス,画像変換攻撃に対して評価を行った。 8つの深い知覚的ハッシュと3つのデータセットにわたって、DualShieldは衝突率を低く保ちながら攻撃の成功率を大幅に低下させる。 これらの結果から, 深部知覚ハッシュは, 整合性を改善し, 参照画像を硬化させることにより, コストのかかる再トレーニングを伴わずに強化できることが示唆された。

関連論文リスト

• HarmoGS: Robust 3D Gaussian Splatting in the Wild via Conflict-Aware Gradient Harmonization [82.42818558196615]
  In the-the-wild 3D Gaussian Splattingは、過渡的乱れと照明による視界不整合のため、依然として困難である。 本稿では、画像空間の監督と勾配レベルの最適化の両方からこの問題に対処するコンフリクト対応3DGSフレームワークを提案する。 本手法は,複雑な過渡トラクタとクロスビューの不整合の下で,最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2026-05-13T06:47:09Z)
• Decoupling Defense Strategies for Robust Image Watermarking [13.474717200403147]
  深層学習に基づく画像透かしは、敵の攻撃や再生攻撃に弱い。 本稿では,防衛戦略を分離する2段階のファインチューニングフレームワークであるAdvMarkを提案する。 AdvMarkは画像のクオリティと総合的なロバスト性で優れています。
  論文  参考訳（メタデータ） (2026-02-23T17:02:55Z)
• GuardFed: A Trustworthy Federated Learning Framework Against Dual-Facet Attacks [56.983319121358555]
  フェデレートラーニング(FL)は、プライバシ保護のための協調モデルトレーニングを可能にするが、敵の行動に弱いままである。 本稿では,予測精度とグループフェアネスを同時に損なう新たな脅威モデルであるデュアル顔攻撃(DFA)を紹介する。 本稿では,少量のクリーンサーバデータを用いて,公正な参照モデルを維持する自己適応型防衛フレームワークであるGuardFedを提案する。
  論文  参考訳（メタデータ） (2025-11-12T13:02:45Z)
• Active Adversarial Noise Suppression for Image Forgery Localization [56.98050814363447]
  本稿では、敵騒音の攻撃効果を抑制するために、防御的摂動を発生させる敵騒音抑制モジュール(ANSM)を提案する。 我々の知る限りでは、画像フォージェリローカライゼーションタスクにおける敵対的防御の報告としてはこれが初めてである。
  論文  参考訳（メタデータ） (2025-06-15T14:53:27Z)
• Towards Robust Image Stitching: An Adaptive Resistance Learning against Compatible Attacks [66.98297584796391]
  画像縫合は、様々な視点から捉えた画像をシームレスに単一の視野画像に統合する。 一対の撮像画像が与えられたとき、人間の視覚システムに気づかない微妙な摂動と歪みは、対応の一致を攻撃しがちである。 本稿では,敵対的攻撃に対する画像縫合の堅牢性向上に向けた最初の試みについて述べる。
  論文  参考訳（メタデータ） (2024-02-25T02:36:33Z)
• IRAD: Implicit Representation-driven Image Resampling against Adversarial Attacks [16.577595936609665]
  本稿では,画像再サンプリングという,敵対的攻撃に対する新たなアプローチを提案する。 画像再サンプリングは、幾何学的変換によって指定されたシーンの再調整や再レンダリングの過程をシミュレートして、離散画像を新しい画像に変換する。 本手法は,クリーンな画像の精度を維持しつつ,多様な深層モデルの様々な攻撃に対する対角的堅牢性を著しく向上することを示す。
  論文  参考訳（メタデータ） (2023-10-18T11:19:32Z)
• Error Diffusion Halftoning Against Adversarial Examples [85.11649974840758]
  敵対的な例には、深いニューラルネットワークを誤った予測にだますことができる慎重に作られた摂動が含まれます。 誤り拡散のハーフトン化に基づく新しい画像変換防御を提案し、逆転の例に対して防御するための逆転訓練と組み合わせます。
  論文  参考訳（メタデータ） (2021-01-23T07:55:02Z)
• Exploring Adversarial Robustness of Multi-Sensor Perception Systems in Self Driving [87.3492357041748]
  本稿では,敵物体をホスト車両の上に配置することで,マルチセンサ検出の実用的感受性を示す。 実験の結果, 攻撃が成功した原因は主に画像の特徴が損なわれやすいことが判明した。 よりロバストなマルチモーダル知覚システムに向けて,特徴分断を伴う敵対的訓練が,このような攻撃に対するロバスト性を大幅に高めることを示す。
  論文  参考訳（メタデータ） (2021-01-17T21:15:34Z)
• Robust Face Verification via Disentangled Representations [20.393894616979402]
  顔認証のための頑健なアルゴリズムを導入し、同一人物か否かを判定する。 我々は,学習中に生成モデルを,対向雑音を除去するテスト時間浄化装置の代わりに,オンライン増強法として利用する。 逆行訓練と組み合わせることで,提案手法は弱内部解法と収束し,ホワイトボックスの物理的攻撃に対する評価において,最先端の工法よりもクリーンで堅牢な精度を有することを示す。
  論文  参考訳（メタデータ） (2020-06-05T19:17:02Z)

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。