論文の概要: Misanthrope: A Privacy-Preserving Keypoint Detector

• arxiv url: http://arxiv.org/abs/2608.23012v1
• Date: Mon, 24 Aug 2026 09:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.006771
• Title: Misanthrope: A Privacy-Preserving Keypoint Detector
• Title（参考訳）: Misanthrope:プライバシ保護キーポイント検出器
• Abstract要約: 自己蒸留により訓練された新しいプライバシー保護キーポイント検出器であるMisanthropeを紹介する。 Misanthropeは、ホック後の難読化ではなく、ソースに対する逆攻撃を緩和する。 Image Matching Challenge 2021の写真テストセットでは、Misanthropeは9シーン中7シーンで最高のパフォーマンスのスパース抽出機だ。
• 参考スコア（独自算出の注目度）: 3.6621640064592254
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image matching is a core component of applications such as Simultaneous Localization and Mapping (SLAM), Visual Localization, and Structure from Motion (SfM). However, the local image features central to this task are vulnerable to inversion attacks, which enable adversaries to reconstruct privacy-sensitive scene content from local features. These attacks pose a particular threat in distributed computing scenarios where the pre-computed features leave edge devices to be processed by remote servers. In this work, we introduce Misanthrope, a novel privacy-preserving keypoint detector trained through self-distillation to avoid detecting keypoints on people---a predominant source of privacy-sensitive content in most localization scenarios---thus mitigating inversion attacks at the source rather than through post-hoc obfuscation. We demonstrate how inverted images from traditional feature detection pipelines can be used to detect and re-identify people in the scene, while Misanthrope is able to mitigate these attacks. Furthermore, Misanthrope maintains image matching performance on par with the state of the art and even surpasses it in challenging settings where people act as distractors, such as phototourism and in-the-wild odometry. On the Image Matching Challenge 2021 Phototourism test set, Misanthrope is the top-performing sparse feature extractor in 7 out of 9 scenes. We make our model and its evaluation script available here: https://github.com/fratopa/misanthrope
• Abstract（参考訳）: 画像マッチングは、SLAM(Symtaneous Localization and Mapping)、ビジュアルローカライゼーション(Visual Localization)、Structure from Motion(SfM)といったアプリケーションの中核となるコンポーネントである。 しかし、このタスクの中心となるローカルな特徴は逆攻撃に弱いため、敵はローカルな特徴からプライバシーに敏感なシーンコンテンツを再構築することができる。 これらの攻撃は、事前計算された機能によってエッジデバイスがリモートサーバで処理されるような分散コンピューティングシナリオにおいて、特に脅威となる。 そこで本研究では,自己蒸留によって訓練された新たなプライバシ保護キーポイント検出装置であるMisanthropeを紹介する。これは,ほとんどのローカライゼーションシナリオにおいて,プライバシに敏感なコンテンツの主要なソースである,つまり,ポストホックな難読化ではなく,ソースに対するインバージョンアタックを緩和するものだ。 従来の特徴検出パイプラインからの逆画像が、現場の人々を検知し、再識別するためにどのように使用できるかを示す一方、Misanthropeはこれらの攻撃を軽減することができる。 さらに、Misanthropeは最先端技術に匹敵する画像マッチング性能を維持しており、フォトツーリズムや眼内オドメトリーなど、人々が気を散らすような困難な環境でも、その性能を上回っている。 Image Matching Challenge 2021 Phototourismのセットでは、Misanthropeは9シーン中7シーンで最高のパフォーマンスのスパース抽出機だ。 私たちは、モデルとその評価スクリプトをここで利用可能にしています。

関連論文リスト

• Stealthy Targeted Backdoor Attacks against Image Captioning [16.409633596670368]
  本稿では,画像キャプションモデルに対するバックドア攻撃を標的とした新たな手法を提案する。 本手法は,物体検出に普遍摂動技術を活用することで,まず特別なトリガを学習する。 我々のアプローチは、モデルクリーンパフォーマンスに無視できる影響を与えながら、高い攻撃成功率を達成することができる。
  論文  参考訳（メタデータ） (2024-06-09T18:11:06Z)
• Region of Interest Loss for Anonymizing Learned Image Compression [3.0936354370614607]
  人間の顔が認識不能になり,人体が検出不能となるような,十分な匿名化を実現する方法を示す。 このアプローチは、ネットワーク越しに機密性の高い匿名化データを送信するのではなく、キャプチャデバイス上の1ステップで圧縮と匿名化を可能にする。
  論文  参考訳（メタデータ） (2024-06-09T10:36:06Z)
• Privacy Assessment on Reconstructed Images: Are Existing Evaluation Metrics Faithful to Human Perception? [86.58989831070426]
  本研究では,手作りのメトリクスの忠実さを,再構成画像からの人間のプライバシー情報の認識に適用する。 本稿では,SemSimと呼ばれる学習に基づく尺度を提案し,オリジナル画像と再構成画像のセマンティック類似性を評価する。
  論文  参考訳（メタデータ） (2023-09-22T17:58:04Z)
• Person Re-Identification without Identification via Event Anonymization [23.062038973576296]
  ディープラーニングは、イベントカメラからのイメージを高い忠実度で再構築することができ、イベントベースのビジョンアプリケーションに対するプライバシーに対する潜在的な脅威を再導入した。 本稿では,プライバシを保護し,人物ReIdのような下流タスクを実行するという2つの目的のために,エンドツーエンドのネットワークアーキテクチャを共同で提案する。
  論文  参考訳（メタデータ） (2023-08-08T17:04:53Z)
• Privacy-Preserving Representations are not Enough -- Recovering Scene Content from Camera Poses [63.12979986351964]
  既存のプライバシ保護ローカライゼーションの取り組みは、クラウドベースのサービスにアクセス可能な攻撃者に対して防御することを目的としている。 攻撃者は、単にローカライズサービスに問い合わせるだけで、アクセスすることなくシーンの詳細を知ることができることを示す。
  論文  参考訳（メタデータ） (2023-05-08T10:25:09Z)
• Leveraging Local Patch Differences in Multi-Object Scenes for Generative Adversarial Attacks [48.66027897216473]
  マルチオブジェクト(複数支配対象)画像を用いた対向的摂動を生成するための,より実践的な問題に取り組む。 本稿では,複数場面の特徴空間における特徴空間の局所的差を利用した新たな生成的攻撃(ローカルパッチ差(LPD-Attack))を提案する。 提案手法は, 異なるホワイトボックスとブラックボックスの設定で評価した場合, 非常に伝達性の高い摂動を伴うベースライン生成攻撃よりも優れる。
  論文  参考訳（メタデータ） (2022-09-20T17:36:32Z)
• Attack to Fool and Explain Deep Networks [59.97135687719244]
  対人摂動における人為的意味のパターンの証拠を提供することによって、私たちは逆転する。 我々の主な貢献は、その後視覚モデルを理解するためのツールに変換される、新しい実用的対人攻撃である。
  論文  参考訳（メタデータ） (2021-06-20T03:07:36Z)
• A Study of Face Obfuscation in ImageNet [94.2949777826947]
  本稿では,imagenetチャレンジにおける画像難読化について検討する。 ImageNetチャレンジのほとんどのカテゴリは、人のカテゴリではありません。 さまざまな深層ニューラルネットワークを顔画像上でベンチマークし、異なるカテゴリに対する異なる影響を観察します。 結果は、顔が破れた画像で学んだ特徴が等しく転送可能であることを示している。
  論文  参考訳（メタデータ） (2021-03-10T17:11:34Z)
• Coherent Reconstruction of Multiple Humans from a Single Image [68.3319089392548]
  本研究では,1枚の画像から多人数の3Dポーズ推定を行う問題に対処する。 この問題のトップダウン設定における典型的な回帰アプローチは、まずすべての人間を検出し、それぞれを独立して再構築する。 我々のゴールは、これらの問題を回避し、現場のすべての人間のコヒーレントな3D再構成を生成するために学習する単一のネットワークをトレーニングすることである。
  論文  参考訳（メタデータ） (2020-06-15T17:51:45Z)

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。