論文の概要: IDATA: Scalable Invertible Diffusion for Unrestricted Adversarial Transfer Attack
- arxiv url: http://arxiv.org/abs/2608.08734v1
- Date: Sun, 09 Aug 2026 14:26:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.936584
- Title: IDATA: Scalable Invertible Diffusion for Unrestricted Adversarial Transfer Attack
- Title（参考訳）: IDATA:非制限逆変換攻撃のためのスケーラブルな非可逆拡散
- Abstract要約: 深部視覚モデルのブラックボックスロバスト性を評価するためには,非制限逆転攻撃が重要である。
Invertible Diffusion Module (IDM) と Low-Frequency Constraint Module (LFCM) を提案する。
IDMは、拡散軌道上の逆最適化を可逆過程として再構成し、定数メモリのバックプロパゲーションを可能にする。
LFCMは潜伏変数を低周波成分と高周波成分に分解し、摂動を意味的に安定な低周波部分空間に制限する。
- 参考スコア（独自算出の注目度）: 20.52296956891588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unrestricted adversarial transfer attacks are important for evaluating the black-box robustness of deep visual models. Diffusion-based attacks have shown promising transferability and visual imperceptibility by optimizing adversarial perturbations along denoising trajectories in latent space. However, existing methods are limited by two challenges: memory-intensive multistep backpropagation and frequency-agnostic perturbation over intermediate latents. To address these issues, we propose IDATA, a memory-efficient diffusion framework for unrestricted adversarial transfer attack. IDATA consists of two key components: an Invertible Diffusion Module (IDM) and a Low-Frequency Constraint Module (LFCM). Specifically, IDM reformulates adversarial optimization over diffusion trajectories as an invertible process, enabling constant-memory backpropagation through on-demand reconstruction of intermediate states instead of storing the full denoising chain. Moreover, LFCM leverages Discrete Wavelet Transform (DWT) to decompose latent variables into low- and high-frequency components, restricting perturbations to semantically stable low-frequency subspaces, thereby improving transferability while preserving visual imperceptibility. Extensive experiments on multiple benchmarks and diverse model architectures demonstrate that IDATA consistently outperforms state-of-the-art baselines in attack success rate, memory efficiency, and visual imperceptibility. These results suggest that IDATA is a promising tool for black-box robustness evaluation of deep visual models. Code is available at https://github.com/colourful-pan/IDATA.
- Abstract（参考訳）: 深部視覚モデルのブラックボックスロバスト性を評価するためには,非制限逆転攻撃が重要である。
拡散に基づく攻撃は、潜在空間における認知軌道に沿った対向的摂動を最適化することにより、有望な伝達性と視覚的不受容性を示す。
しかし、既存の手法は、メモリ集約型マルチステップバックプロパゲーションと、中間潜伏者に対する周波数非依存摂動の2つの課題によって制限されている。
これらの問題に対処するために,非制限逆転攻撃のためのメモリ効率のよい拡散フレームワークであるIDATAを提案する。
IDATAは、Invertible Diffusion Module (IDM) と Low-Frequency Constraint Module (LFCM) の2つの重要なコンポーネントで構成されている。
特に、IDMは拡散軌道上の逆最適化を可逆過程として再構成し、完全な縮退鎖を格納する代わりに、中間状態のオンデマンドな再構築を通じて、一定のメモリバックプロパゲーションを可能にする。
さらに、LFCMは離散ウェーブレット変換(DWT)を利用して、潜伏変数を低周波成分と高周波成分に分解し、摂動を意味的に安定な低周波部分空間に制限し、視覚的不受容性を保ちながら転送性を向上させる。
複数のベンチマークと多種多様なモデルアーキテクチャに関する大規模な実験は、IDATAが攻撃成功率、メモリ効率、視覚的非受容性において、最先端のベースラインを一貫して上回っていることを示している。
これらの結果から,IDATAは深部視覚モデルのブラックボックスロバスト性評価のための有望なツールであることが示唆された。
コードはhttps://github.com/colourful-pan/IDATA.comで入手できる。
関連論文リスト
- Local Epistemic Uncertainty Guided Active Sampling for Plug-and-play Diffusive Image Restoration [15.371827475537776]
局所的不確実性ガイド型アクティブサンプリングフレームワークを開発した。
空間領域における細部保存とアーティファクトの抑制のバランスをとる。
メモリオーバーヘッドを無視してサンプリング時間を短縮する。
論文 参考訳（メタデータ） (2026-08-07T09:00:20Z) - DeMTS: Denoising Trajectories as Multivariate Time Series for Hallucination Detection in Diffusion Language Models [59.414664850109155]
拡散大言語モデル (D-LLM) はテキスト生成において有望なパラダイムとして登場してきた。
D-LLMは幻覚に弱いままであり、流動的な出力は事実的に誤った、またはサポートされていない内容を含む可能性がある。
論文 参考訳（メタデータ） (2026-07-24T06:45:43Z) - UniNDM: A Unified Noise-driven Detection and Mitigation Framework Against Sexual Content in Text-to-Image Generation [90.0896070825457]
本稿では,拡散過程におけるノイズダイナミクスのレンズを通して,安全機構を再考する統合ノイズ駆動フレームワークを提案する。
我々の重要な洞察は、早期の予測ノイズは、正常な内容と性的な内容の間に固有の分離性を示すことである。
我々は,計算オーバーヘッドがほとんどなく,精度の高い軽量ノイズベース検出器を開発した。
論文 参考訳（メタデータ） (2026-07-18T14:03:39Z) - Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。
現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。
本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-24T23:34:06Z) - Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs [59.973833105841685]
対向移動性を改善するための重要な課題は、異なるモデル間で共有される本質的な視覚的焦点を効果的に捉えることである。
本稿では、FRA-Attackを提案する。このFRA-Attackは、周波数領域の統一正規化の観点から、両方の課題に対処する。
機能アライメントのために、パッチ機能に対する高パスDCTは、冗長なグローバル構造を抑圧し、MLLMの固有の視覚的焦点を持つ高周波帯域の損失に集中する。
勾配最適化のために、代用勾配を変調するテキストモデルに依存しない低パス正規化器である周波数領域勾配正規化(FGR)を導入する。
論文 参考訳（メタデータ） (2026-05-20T08:15:56Z) - TIP: Resisting Gradient Inversion via Targeted Interpretable Perturbation in Federated Learning [8.156452885913108]
フェデレートラーニング(FL)は、データの局所性を維持しながら協調的なモデルトレーニングを促進する。
勾配の交換により、システムはグラディエント・インバージョン・アタック(GIAs)に弱い。
本稿では、モデル解釈可能性と周波数領域解析を統合する新しい防御フレームワークTIPを提案する。
論文 参考訳（メタデータ） (2026-02-12T06:32:49Z) - Causal Autoregressive Diffusion Language Model [70.7353007255797]
CARDは厳密な因果注意マスク内の拡散過程を再構成し、単一の前方通過で密集した1対1の監視を可能にする。
我々の結果は,CARDが並列生成のレイテンシの利点を解放しつつ,ARMレベルのデータ効率を実現することを示す。
論文 参考訳（メタデータ） (2026-01-29T17:38:29Z) - Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement [63.54516423266521]
事前学習拡散ベース(PTDB)法は、しばしばコンテンツ忠実さを犠牲にして知覚的リアリズムを高める。
本稿では,事前学習した拡散モデルにおける条件付けのための新しい最適化手法を提案する。
我々のアプローチはプラグアンドプレイであり、より効率的な制御を提供するために既存の拡散ネットワークにシームレスに統合される。
論文 参考訳（メタデータ） (2025-10-20T02:40:06Z) - DiffCAP: Diffusion-based Cumulative Adversarial Purification for Vision Language Models [45.126261544696185]
視覚言語モデル(VLM)はマルチモーダル理解において顕著な能力を示しているが、摂動への感受性は現実世界のアプリケーションにおける信頼性に重大な脅威をもたらす。
本稿では,VLMにおける敵の汚職を効果的に中和できる新しい拡散型浄化戦略であるDiffCAPを紹介する。
論文 参考訳（メタデータ） (2025-06-04T13:26:33Z) - One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。
拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。
提案手法は,実測値と非参照値の両方で高い性能を達成する。
論文 参考訳（メタデータ） (2025-03-09T09:39:57Z) - Improving Adversarial Transferability by Stable Diffusion [36.97548018603747]
敵対的な例は 良心サンプルに 知覚不能な摂動を導入 予測を欺く
ディープニューラルネットワーク(Deep Neural Network, DNN)は、良性サンプルに知覚不能な摂動を導入し、予測を誤認する敵の例に影響を受けやすい。
本稿では,SDAM(Stable Diffusion Attack Method)と呼ばれる新しい攻撃手法を提案する。
論文 参考訳（メタデータ） (2023-11-18T09:10:07Z)
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。