論文の概要: A Survey on Adversarial Attacks and Defenses for Diffusion Models Across Multiple Modalities
- arxiv url: http://arxiv.org/abs/2609.05503v1
- Date: Fri, 28 Aug 2026 21:57:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 11:01:20.579081
- Title: A Survey on Adversarial Attacks and Defenses for Diffusion Models Across Multiple Modalities
- Title（参考訳）: 複数のモダリティ間の拡散モデルに対する敵攻撃と防御に関する調査
- Abstract要約: 拡散モデルは視覚領域における生成モデルの主要なファミリーとなっている。
広範に公開されており、大規模な誤用を可能にし、敵の攻撃や防衛に関する研究が急速に活発化している。
この調査は、私たちの知る限り、この文献を3つの視覚的モダリティ(画像、ビデオ、および3D)で統一したレビューとして初めて提供します。
- 参考スコア（独自算出の注目度）: 20.414660409826293
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Diffusion models have become the dominant family of generative models in the visual domain. However, their widespread public availability enables misuse at scale, motivating a rapidly growing body of research on adversarial attacks and defenses. This survey provides, to our knowledge, the first unified review of this literature across three visual modalities: image, video, and 3D. We introduce a comprehensive, task-centric taxonomy: we first divide the literature by modality; within each modality, we separate methods into attacks and defenses, and then group them by the generative task they target, presenting them chronologically within each task. Moreover, we provide an in-depth analysis of their evaluation settings, consolidating the datasets, metrics, and benchmarks used to assess them. We conclude by identifying several open challenges and outlining concrete future research directions. Project Webpage: https://github.com/ozgurkara99/awesome-adv-attack-defense-on-diffusion
- Abstract（参考訳）: 拡散モデルは視覚領域における生成モデルの主要なファミリーとなっている。
しかし、その普及した公共利用は大規模な誤用を可能にし、敵の攻撃や防衛に関する研究が急速に活発化している。
この調査は、私たちの知る限り、この文献を3つの視覚的モダリティ(画像、ビデオ、および3D)で統一したレビューとして初めて提供します。
まず、各モダリティにおいて、メソッドを攻撃と防御に分割し、それらが対象とする生成タスクによってグループ化し、各タスク内で時系列的に提示する。
さらに、評価設定を詳細に分析し、データセット、メトリクス、ベンチマークを統合して評価する。
いくつかのオープンな課題を特定し、具体的な研究の方向性を概説することで結論付ける。
プロジェクトWebページ: https://github.com/ozgurkara99/awesome-adv- attack-defense-on-diffusion
関連論文リスト
- Adversarial Diffusion Across Modalities: A Fusion Survey of Attacks, Defenses, and Evaluation for Text, Vision, and Vision-Language Models [0.0]
AIシステムのアドリアリ評価は、4つの大きく切り離されたトラックに沿って成熟した。
それぞれ独自の語彙、脅威モデル、ベンチマークを開発した。
本調査はメタ検索レベルで情報融合演習を行う。
論文 参考訳（メタデータ） (2026-06-25T03:32:12Z) - Debiased Dual-Invariant Defense for Adversarially Robust Person Re-Identification [52.63017280231648]
人物再識別(ReID)は、歩行者軌道追跡などの現実の多くの応用において、基本的な課題である。
Person ReIDモデルは、歩行者画像に対する知覚不能な摂動が完全に誤った予測を引き起こすような、敵の攻撃に非常に敏感である。
本稿では,2つの相からなる二重不変防衛フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-13T03:56:40Z) - Model Inversion Attacks: A Survey of Approaches and Countermeasures [69.18069679327263]
近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。
この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。
本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
論文 参考訳（メタデータ） (2024-11-15T08:09:28Z) - A Survey of Defenses Against AI-Generated Visual Media: Detection,Disruption, and Authentication [29.96910246392549]
深層生成モデルは様々なコンピュータビジョンアプリケーションで顕著な性能を示した。
これらのモデルは、誤情報、偽造、著作権侵害などの悪意ある目的のために使用されることがある。
本稿では,AI生成したビジュアルメディアに対する防衛研究の体系的かつタイムリーなレビューを行う。
論文 参考訳（メタデータ） (2024-07-15T09:46:02Z) - Adversarial Attacks and Defenses on Text-to-Image Diffusion Models: A Survey [14.430120388340457]
テキストから画像への拡散モデルであるStable Diffusionは、リリースからわずか2ヶ月で1000万人以上のユーザーを集めた。
本稿では,テキスト・ツー・イメージ拡散モデルを対象とした敵攻撃と防御に関する文献のレビューを行う。
次に、モデルロバスト性および安全性を向上させるため、現行の防御手法の詳細な分析を行う。
論文 参考訳（メタデータ） (2024-07-10T13:50:31Z) - Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。
本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。
医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
論文 参考訳（メタデータ） (2024-06-17T01:49:27Z) - Inference Attacks: A Taxonomy, Survey, and Promising Directions [44.290208239143126]
この調査は、ML-as-a-serviceにおける攻撃の詳細な包括的推測とそれに対応する対策を提供する。
まず,コミュニティ研究状況に基づく3MP分類法を提案する。
また、各種類の推論攻撃の長所と短所、ワークフロー、対策、およびそれらが他の攻撃とどのように相互作用するかを分析する。
論文 参考訳（メタデータ） (2024-06-04T07:06:06Z) - Privacy Leakage on DNNs: A Survey of Model Inversion Attacks and Defenses [40.77270226912783]
Model Inversion(MI)攻撃は、トレーニングされたモデルへのアクセスを悪用することで、トレーニングデータセットに関するプライベート情報を開示する。
この分野の急速な進歩にもかかわらず、我々は既存のMI攻撃と防衛の包括的かつ体系的な概要を欠いている。
我々は,近年のDeep Neural Networks(DNN)に対する攻撃と防御を,複数のモダリティと学習タスクで詳細に分析し,比較する。
論文 参考訳（メタデータ） (2024-02-06T14:06:23Z) - ACQUIRED: A Dataset for Answering Counterfactual Questions In Real-Life
Videos [53.92440577914417]
ACQUIREDは3.9Kの注釈付きビデオで構成され、幅広いイベントタイプを包含し、ファーストパーソンとサードパーソンの両方の視点を取り入れている。
各ビデオは、物理的、社会的、時間的な3つの異なる推論の次元にまたがる質問で注釈付けされている。
我々は,現在最先端の言語のみおよびマルチモーダルモデルに対して,我々のデータセットをベンチマークし,実験結果から大きな性能差が示された。
論文 参考訳（メタデータ） (2023-11-02T22:17:03Z) - A Survey on Gradient Inversion: Attacks, Defenses and Future Directions [81.46745643749513]
われわれはGradInvに関する包括的調査を行い、最先端の研究を要約し、異なる領域の地平を広げることを目的としている。
まず,既存攻撃を反復攻撃と再帰攻撃という2つのパラダイムに特徴付けることによって,GradInv攻撃の分類法を提案する。
第2に、GradInv攻撃に対する新たな防衛戦略を要約する。これらのアプローチは、データの隠蔽、モデル改善、勾配保護に関する3つの視点に焦点を当てている。
論文 参考訳（メタデータ） (2022-06-15T03:52:51Z) - Recovering 3D Human Mesh from Monocular Images: A Survey [49.00136388529404]
単眼画像から人間のポーズと形状を推定することは、コンピュータビジョンにおける長年の問題である。
本調査は, 単分子型3次元メッシュ回収の課題に焦点を当てた。
論文 参考訳（メタデータ） (2022-03-03T18:56:08Z)
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。