論文の概要: Hiding in Plain Sight: A Diffusion-based Mitigation of Geolocation Privacy Leakage in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.21363v1
• Date: Fri, 18 Sep 2026 06:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.877026
• Title: Hiding in Plain Sight: A Diffusion-based Mitigation of Geolocation Privacy Leakage in Vision-Language Models
• Title（参考訳）: 視線モデルにおける測地プライバシー漏洩の拡散に基づく緩和
• Abstract要約: 敵はMLRMを利用して、カジュアルに共有された写真からユーザーの地理的位置を正確に推測することができる。 MLRMによる位置情報プライバシー漏洩の系統的研究について述べる。 位置情報のプライバシー漏洩に対する標的的かつ積極的な防御を提供する拡散型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 36.40752104631026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large reasoning models (MLRMs) have demonstrated remarkable capabilities in complex visual understanding. However, this very power introduces a critical yet underexplored privacy threat: adversaries can exploit MLRMs to precisely infer users' geographic locations from casually shared photographs, by performing structured reasoning over subtle visual cues such as architectural styles, vegetation, and lighting conditions. In this work, we present a systematic study of MLRM-driven geolocation privacy leakage. We first reveal that refusal-based safeguards are critically insufficient, as carefully crafted jailbreak prompts can raise model response rates to 100%. We further identify that existing defenses, which inject imperceptible perturbations into shared images, suffer from structural limitations intrinsic to their pixel-space optimization, resulting in degraded black-box transferability and pronounced visual artifacts. Motivated by these findings, we propose a diffusion-based framework that provides targeted, proactive defense against geolocation privacy leakage. By injecting perturbations into the latent space of a diffusion model during reverse sampling, our method operates directly on high-level semantic representations, thereby resolving the effectiveness-utility bottlenecks by construction. We further ground our optimization with GeoCLIP, a model explicitly aligned with GPS coordinates, as a surrogate to pinpoint and disrupt the geographic signals that MLRMs exploit for location inference. This targeted semantic disruption yields significantly stronger black-box transferability while preserving perceptual image quality, offering a seamless integration on social media platforms.
• Abstract（参考訳）: マルチモーダル大推論モデル(MLRM)は、複雑な視覚的理解において顕著な能力を示した。 敵はMLRMを使って、建築様式や植生、照明条件といった微妙な視覚的手がかりに対して構造化された推論を行うことで、カジュアルに共有された写真からユーザーの地理的位置を正確に推測することができる。 本研究では,MLRMによる位置情報のプライバシー漏洩に関する系統的研究を行う。 まず、リファインベースのセーフガードが極めて不十分であることを明らかにし、慎重に構築されたジェイルブレイクプロンプトはモデル応答率を100%に上げることができる。 さらに,共有画像に知覚不能な摂動を注入する既存のディフェンスは,画素空間最適化に固有の構造的制約に悩まされ,ブラックボックス転送性が低下し,視覚的アーティファクトが顕著になる。 これらの知見に触発されて、位置情報のプライバシー漏洩に対する標的的かつ積極的な防御を提供する拡散型フレームワークを提案する。 逆サンプリング中に拡散モデルの潜在空間に摂動を注入することにより,高レベルの意味表現を直接操作し,建設による有効性ボトルネックを解消する。 我々はさらに、位置推定にMLRMが利用する地理的信号をピンポイントし破壊するための代理として、GPS座標に明示的に整合したモデルであるGeoCLIPを用いて最適化を行う。 このターゲティング・セマンティック・ディスラプションは、知覚画像の品質を維持しながら、ブラックボックスの転送可能性を大幅に向上させ、ソーシャルメディアプラットフォームにシームレスな統合を提供する。

関連論文リスト

• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Do Vision-Language Models Respect Contextual Integrity in Location Disclosure? [35.91273000038155]
  視覚言語モデル (VLM) は画像位置情報において高い性能を示した。 これは、カジュアルに共有された写真からセンシティブな場所を推測するために悪用されるため、重大なプライバシーリスクを引き起こす。 VLM-GEOPRIVACY(VLM-GEOPRIVACY)は、実世界の画像に潜伏する社会的規範や文脈的手がかりを解釈するために、VLMに挑戦するベンチマークである。
  論文  参考訳（メタデータ） (2026-02-04T20:24:14Z)
• Beyond Pixels: Semantic-aware Typographic Attack for Geo-Privacy Protection [43.65944873827891]
  大規模ビジュアル言語モデル(LVLM)は、ソーシャルメディアユーザーの位置情報を直接共有画像から推測し、意図しないプライバシー漏洩を引き起こす。 逆画像摂動は、地理的プライバシー保護の潜在的方向を提供するが、LVLMに対して有効となるためには比較的強い歪みを必要とする。 視覚的コンテンツの外部にテキスト拡張を追加することで、地理的プライバシーを保護するための有望な方向として、偽装攻撃を識別する。
  論文  参考訳（メタデータ） (2025-11-16T12:27:59Z)
• GeoShield: Safeguarding Geolocation Privacy from Vision-Language Models via Adversarial Perturbations [48.78781663571235]
  VLM(Vision-Language Models)は、パブリック共有画像からユーザの位置を推測し、ジオプライバシーに重大なリスクをもたらす。 実世界のシナリオにおいて,ロバストなジオプライバシー保護のために設計された,新しい敵対的フレームワークであるGeoShieldを提案する。
  論文  参考訳（メタデータ） (2025-08-05T08:37:06Z)
• 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)
• Doxing via the Lens: Revealing Location-related Privacy Leakage on Multi-modal Large Reasoning Models [37.18986847375693]
  広告主は、ユーザ生成画像からセンシティブな位置情報を推測することができる。 DoxBenchは、さまざまなプライバシーシナリオを反映した500の現実世界の画像のキュレートされたデータセットである。 本研究は,MLRMにおける推論時プライバシーリスクの再評価の必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-04-27T22:26:45Z)
• ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
  最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。 本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。 我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-10-31T06:11:23Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• Spatially Correlated Patterns in Adversarial Images [5.069312274160184]
  敵の攻撃は、信頼性の高い機械学習ソリューションに向けた研究の進展の大きな障害であることが証明されている。 本稿では,入力画像内の領域を分離分離するフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-21T14:06:59Z)

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。