論文の概要: The Nearest Target Is the Wrong One: Target Separation in Arc2Face Identity Unlearning
- arxiv url: http://arxiv.org/abs/2608.30087v1
- Date: Sun, 30 Aug 2026 23:22:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.175619
- Title: The Nearest Target Is the Wrong One: Target Separation in Arc2Face Identity Unlearning
- Title（参考訳）: 一番近いターゲットは間違ったもの:Arc2Faceの未学習のターゲット分離
- Abstract要約: 顔条件付きジェネレータからのIDの学習は、リダイレクトされた出力が元の人物としてまだ検証されている場合、静かに失敗する可能性がある。
この失敗は、認識空間におけるリダイレクトターゲットが、認識空間における忘れアイデンティティからどこまで離れているかという、制御可能な選択に依存していることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unlearning an identity from a face-conditioned generator by redirecting its conditioning embedding can silently fail if the redirected output is still verified as the original person. We show that this failure depends on a controllable choice of how far the redirection target lies from the forget identity in recognition space, and that the most intuitive target, the nearest neighbour, is the one most likely to cause it. We audit Arc2Face with a locked ArcFace protocol and a projection adapter that redirects identity conditioning before generation. On a hard-neighbour stress test built from the hardest 0.5% of eligible identities, four target-selection policies show a monotonic response: clean forgetting rises from 9/30 groups under the nearest hard target to 30/30 under the least similar one. Mean forget-identity re-identification falls from 51.9 to 0.0 while mean retention stays flat. This reflects successful redirection rather than outputs becoming unverifiable: 710 of 720 least-sim-hard generations arrive at the chosen target, with no leakage to unrelated identities. Re-verifying identical images with an independent recogniser (AdaFace) preserves that trend, correlating at r=0.94, arguing against a verifier artefact. Target separation is thus a first-order, reportable design variable for identity unlearning.
- Abstract（参考訳）: 条件付き埋め込みをリダイレクトすることで、顔条件付きジェネレータからのIDをアンラーニングすることは、リダイレクトされた出力が元の人として検証されている場合、サイレントに失敗する可能性がある。
この失敗は、認識空間におけるリダイレクトターゲットが、認識空間内の忘れたアイデンティティからどこまで離れているかの制御可能な選択に依存しており、最も直感的な、最も近い隣人である最も近いターゲットが、その原因となる可能性が最も高いことを示している。
ロックされたArcFaceプロトコルと、生成前にID条件をリダイレクトするプロジェクションアダプタでArc2Faceを監査する。
最強の0.5%から構築されたストレステストでは、4つの目標選択ポリシーが単調な反応を示しており、最も近い目標の9/30グループから最も近い目標の30/30までのクリーンな忘れ物が、最も近い目標の30/30まで上昇している。
平均忘れアイデンティティの再識別は51.9から0.0に減少し、平均保持率は平坦である。
最小720世代のうち710世代は、無関係なIDにリークすることなく、選択されたターゲットに到達します。
独立認識器(AdaFace)による同一画像の再検証は、r=0.94に関連するこの傾向を保存し、検証対象の人工物に反対する。
したがって、ターゲット分離はアイデンティティの未学習のための一階のレポート可能な設計変数である。
関連論文リスト
- RefGuard: Identity-Aware Language-Guided Robot Manipulation via Joint Target-Anchor-Frame Grounding [11.774477485982958]
RefGuardは、3変数すべてに対して共同で後続を維持することでコミットメントを遅らせるフレームワークである。
実際のUF850アームでは、RefGuardは曖昧性ストレストライアルではIDスイッチを記録せず、その90.0%で正しく実行される。
3200エピソードの手続きスイートでは、ターゲットの前にアンカーとフレームにコミットするアブレーションにおいて、解決可能な命令の正しい実行を56.6%から80.5%に引き上げている。
論文 参考訳（メタデータ） (2026-09-05T18:39:50Z) - WithEveryone: Unified Planning and Identity Grounding for Group Image Generation [60.528070962852716]
グループイメージを最大10個の参照IDまで生成する統合フレームワークであるWithEveryoneを紹介した。
WithEveryoneは、それぞれの選択したIDをアドレストークンとして注入し、構造化されたID計画を予測する。
GPT-Image-2では0.462から0.499に改善され、コピー・ペースト・アーティファクトは0.169から0.055に削減された。
論文 参考訳（メタデータ） (2026-08-20T17:59:53Z) - MicroVerse: An Instrument for Measuring Self-Authored Identity Drift in Long-Horizon Multi-Agent Language-Model Simulations [47.771518253102975]
MicroVerseは、生成エージェントのアイデンティティドリフトを測定する行動科学機器である。
エージェントは不変の"ソウルファイル"(コア値、モラル境界、パーソナリティ、目標)を持ち、50 x 50の環境に生息する。
反自己偽装は、アイデンティティー修飾の単一の最大の意味圏として現れない。
論文 参考訳（メタデータ） (2026-08-16T16:31:42Z) - DecoyFace: Beyond Obfuscation via Controllable and Imperceptible Identity Misdirection for Privacy-Preserving Face Recognition [7.701542549152122]
Split Face Recognitionはクライアント側の計算を減らしますが、中間機能をインバージョンアタックとHBCサーバによる不正解析に公開しています。
既存のプライバシ保護顔認証方式は、主に無許可の復元に抵抗することを目的としている。
提案するDecoyFaceは,不許可なデコイ指向のフレームワークである。
論文 参考訳（メタデータ） (2026-07-20T03:19:00Z) - NearID: Identity Representation Learning via Near-identity Distractors [116.71529576796605]
既存のビジョンエンコーダは、オブジェクトのアイデンティティを背景コンテキストと絡み合わせることで、信頼性の低い表現やメトリクスを生み出します。
我々は、この脆弱性に対処するための最初の原則付きフレームワークをNear-identity distractorsを使って紹介する。
我々は、厳密なマージンベースの評価プロトコルとともに、NearIDデータセット(19KのID、316Kの一致したコンテキストインタプリタ)を提示する。
論文 参考訳（メタデータ） (2026-04-02T12:33:14Z) - Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。
トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。
IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-10-28T09:28:12Z) - SELFI: Selective Fusion of Identity for Generalizable Deepfake Detection [16.500269508552844]
顔認証はディープフェイク検出のための強力な信号を提供する。
偏見を減らすためにアイデンティティーの手がかりを抑えるものもあれば、法医学的な証拠としてそれらに依存するものもある。
textbfSELFI(textbfSELective textbfIdentity)を提案する。
論文 参考訳（メタデータ） (2025-06-21T05:11:35Z) - IDRetracor: Towards Visual Forensics Against Malicious Face Swapping [30.804429527783395]
ディープフェイク法に基づく顔交換技術は、個人認証のセキュリティに重大な社会的リスクをもたらす。
本稿では,対象の顔と偽の顔とを逆マッピングにより追跡する,顔追跡という新しいタスクを提案する。
我々は,IDRetracorが定量的,定性的両面から有望なリトラシング性能を示すことを示す。
論文 参考訳（メタデータ） (2024-08-13T04:53:48Z) - Keypoint Promptable Re-Identification [76.31113049256375]
Occluded Person Re-Identification (ReID) は、その外見に基づいて隠蔽された個人をマッチングするメトリクス学習タスクである。
本稿では、入力バウンディングボックスを意味キーポイントの集合で明示的に補完する新しいReID問題の定式化であるKeypoint Promptable ReID(KPR)を紹介する。
我々は4つの人気のあるReIDベンチマークのためのカスタムキーポイントラベルをリリースした。人物検索の実験だけでなく、ポーズトラッキングの実験も、我々の手法が従来の最先端手法を体系的に超越していることを示す。
論文 参考訳（メタデータ） (2024-07-25T15:20:58Z) - Reinforced Disentanglement for Face Swapping without Skip Connection [18.97633893837313]
我々は、スキップ接続を取り除き、2つのターゲットエンコーダを使用する「WSCスワップ」と呼ばれる新しいフェイススワップフレームワークを導入する。
我々の結果は、アイデンティティの整合性を測定するための新しい指標を含む、リッチなメトリクスセットに関する以前の研究よりも大幅に優れています。
論文 参考訳（メタデータ） (2023-07-16T02:44:19Z) - Identity-Driven DeepFake Detection [91.0504621868628]
アイデンティティ駆動のDeepFake Detectionは、被疑者画像/ビデオとターゲットのアイデンティティ情報を入力する。
被疑者画像・映像の同一性は対象人物と同一かという判断を出力する。
本稿では,新たな研究のベースラインとして,簡単な識別ベース検出アルゴリズムであるouterfaceを提案する。
論文 参考訳（メタデータ） (2020-12-07T18:59:08Z)
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。