論文の概要: MoSign: Challenge-Response Motion-Watermark Authentication for Anonymous Virtual-Reality Users

• arxiv url: http://arxiv.org/abs/2609.29603v1
• Date: Sun, 30 Aug 2026 18:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.083621
• Title: MoSign: Challenge-Response Motion-Watermark Authentication for Anonymous Virtual-Reality Users
• Title（参考訳）: MoSign: 匿名仮想現実ユーザのためのチャレンジ応答型モーション-ウォーターマーク認証
• Abstract要約: MoSignは、すべての正当なユーザーを、クリーンでほとんどのチャンネルで10〜4ドルという誤認率で認証する。 HumanML3Dでは、MoSignは、すべての正当なユーザーを、クリーンでほとんどのチャンネルで10〜4ドルという誤認率で認証する。
• 参考スコア（独自算出の注目度）: 9.725329386599073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social virtual reality (VR) creates a paradox. A user's body motion is a high-entropy biometric: head and hand trajectories alone re-identify users among tens of thousands with over $94\%$ accuracy, so anonymizing the rendered avatar is a practical necessity. Yet a user often still wants to prove their identity to a chosen party from inside that anonymity. We present MoSign, which recasts digital watermarking as a challenge-response authentication protocol on the motion channel. MoSign embeds a time-varying keyed message into the style latent of a motion variational autoencoder via keystream-whitened Gaussian-Shading: watermarked motion is provably indistinguishable from watermark-free motion, since any detector's advantage reduces to breaking a pseudorandom function, so the mark composes with anonymization. The message is a keyed MAC over an epoch counter, a session nonce, and a deployment context, making MoSign replay-resistant and bounding forgery by the verifier's measured false-accept rate times the adversary's online query budget. A key-holding verifier decides with a sequential test. We identify render$\rightarrow$record$\rightarrow$re-estimate ("recapture") as the realistic VR attack surface: a generic pose estimator strips the necessarily subtle watermark, but a recapture-robust keyed reader recovers it (up to $0.96$ codeword accuracy on a projected-2D channel, $0.81$ through a full render-to-video loop), while without the key recovery stays at chance. On HumanML3D, MoSign authenticates every legitimate user at a false-accept rate of $10^{-4}$ on clean and most channels and stays undetectable (detection AUC $0.51$, chance $0.5$); on the BOXRR-23 VR dataset it carries the mark through a real anonymizer at $0.99$ codeword accuracy and adds no de-anonymization side channel.
• Abstract（参考訳）: ソーシャルバーチャルリアリティ(VR)はパラドックスを作り出す。 頭と手の軌跡だけで、9,4\%以上の精度で数万人のユーザーを再識別するので、レンダリングされたアバターの匿名化は現実的な必要性である。 しかし、ユーザーはその匿名性の中から、選択した当事者に自分の身元を証明したいと願うことが多い。 本稿では,デジタル透かしをモーションチャネル上のチャレンジ応答認証プロトコルとして再放送するMoSignを提案する。 MoSignは、キーストリーム白のガウシアンシェーディングを介して、時変キー付きオートエンコーダのスタイルのラテントに、時変キー付きメッセージを埋め込む:ウォーターマーク付きモーションは、ウォーターマークなしモーションとは確実に区別できない。 メッセージは、エポックカウンタ、セッションナンス、デプロイメントコンテキスト上のキー付きMACであり、検証者の測定された偽受け入れ率によるMoSignのリプレイ耐性とバウンディングフォージェリを、相手のオンラインクエリ予算に設定する。 キー保持検証器はシーケンシャルテストで判定する。 ender$\rightarrow$record$\rightarrow$re-estimate ("recapture")を、現実的なVR攻撃面として識別する: ジェネリックポーズ推定器は、必然的に微妙な透かしを剥がすが、リキャプチャーのロバストなキー付きリーダーは、それを回復する(投影された2Dチャネルのコードワード精度最大0.96ドル、フルレンダリング・ビデオループで0.81ドル)。 HumanML3Dでは、MoSignは、すべての正規ユーザを、クリーンでほとんどのチャネルで10^{-4}$で認証し、検出不能(AUC $0.51$, chance $0.5$); BOXRR-23 VRデータセットでは、実際の匿名化を0.99$で実行し、匿名化サイドチャネルを追加しない。

関連論文リスト

• World's First Authenticated Satellite Pseudorange from Orbit [0.4109482099507688]
  本稿では,Pulsarの透かし設計とセキュリティ解析について論じる。 我々はPulsar透かしの誤検知と誤警報の確率を導出する。 軌道からの送信を利用したパルサー透かしの検証結果を示す。
  論文  参考訳（メタデータ） (2025-09-25T21:14:12Z)
• X-NeMo: Expressive Neural Motion Reenactment via Disentangled Latent Attention [52.94097577075215]
  X-NeMoはゼロショット拡散ベースのポートレートアニメーションパイプラインである。 異なる人物の運転ビデオから顔の動きを使って、静的な肖像画を撮影する。
  論文  参考訳（メタデータ） (2025-07-30T22:46:52Z)
• Predicting 3D Motion from 2D Video for Behavior-Based VR Biometrics [7.609875877250929]
  被験者の右側から取得した2Dボディジョイントを,外部の2Dカメラで撮影する手法を提案する。 本手法では,VRデバイスが追跡していない関節の2次元データを用いて,制御器の過去と将来の3次元トラックを予測する。
  論文  参考訳（メタデータ） (2025-02-05T02:19:23Z)
• Who Leaked the Model? Tracking IP Infringers in Accountable Federated Learning [51.26221422507554]
  Federated Learning (FL) は、大規模で分散したクライアントからのデータと計算リソースを調整する効果的な協調学習フレームワークである。 このようなコラボレーションは、個々のユーザではなく、パーティー全体によって保護され、共有されるべきモデルパラメータによって表現される非自明な知的財産(IP)をもたらす。 このようなIPリークをブロックするためには、IPを共有モデルで識別し、最初にリークした匿名の侵害者を特定することが不可欠である。 本稿では,説明責任FLの要件を満たすために,Dudeable Unique Watermarking (DUW)を提案する。
  論文  参考訳（メタデータ） (2023-12-06T00:47:55Z)
• Towards Robust Model Watermark via Reducing Parametric Vulnerability [57.66709830576457]
  バックドアベースのオーナシップ検証が最近人気となり,モデルオーナがモデルをウォーターマークすることが可能になった。 本研究では,これらの透かし除去モデルを発見し,それらの透かし挙動を復元するミニマックス定式化を提案する。 本手法は,パラメトリックな変化と多数のウォーターマーク除去攻撃に対するモデル透かしの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2023-09-09T12:46:08Z)
• Robust Distortion-free Watermarks for Language Models [85.55407177530746]
  本稿では,自動回帰言語モデルからテキストに透かしを植え付ける手法を提案する。 言語モデルから乱数列をサンプルにマッピングすることで、透かし付きテキストを生成する。
  論文  参考訳（メタデータ） (2023-07-28T14:52:08Z)
• The Stable Signature: Rooting Watermarks in Latent Diffusion Models [29.209892051477194]
  本稿では,画像透かしと潜時拡散モデルを組み合わせたアクティブな戦略を提案する。 目標は、生成したすべての画像が、将来の検出および/または識別を可能にする、見えない透かしを隠すことだ。 予め訓練された透かし抽出器は、生成された画像から隠された署名を回収し、統計検査を行い、生成モデルから来たものかどうかを判定する。
  論文  参考訳（メタデータ） (2023-03-27T17:57:33Z)
• Unique Identification of 50,000+ Virtual Reality Users from Head & Hand Motion Data [58.27542320038834]
  多数のリアルVRユーザーが頭と手の動きだけで複数のセッションで一意かつ確実に識別できることを示す。 個人あたり5分のデータで分類モデルをトレーニングした後、ユーザーは100秒の動作から94.33%の精度で50,000以上のプール全体で一意に識別することができる。 この研究は、バイオメカニクスがVRのユニークな識別子として機能しうる範囲を、顔認証や指紋認識などの広く使われている生体認証と同等に真に示す最初のものである。
  論文  参考訳（メタデータ） (2023-02-17T15:05:18Z)
• Watch Those Words: Video Falsification Detection Using Word-Conditioned Facial Motion [82.06128362686445]
  本稿では,安価なディープフェイクと視覚的に説得力のあるディープフェイクの両方を扱うためのマルチモーダルな意味法医学的アプローチを提案する。 帰属という概念を利用して、ある話者と他の話者を区別する個人固有の生体パターンを学習する。 既存の個人固有のアプローチとは異なり、この手法は口唇の操作に焦点を当てた攻撃にも有効である。
  論文  参考訳（メタデータ） (2021-12-21T01:57:04Z)

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。