論文の概要: Can Pixels Alone Reveal Image Origin? Minimax Limits and Learnable Interfaces for Passive Provenance
- arxiv url: http://arxiv.org/abs/2609.30997v1
- Date: Fri, 25 Sep 2026 08:42:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.300929
- Title: Can Pixels Alone Reveal Image Origin? Minimax Limits and Learnable Interfaces for Passive Provenance
- Title（参考訳）: ピクセルだけで画像が創出できるのか? 最小限の限界と学習可能なインターフェース
- Abstract要約: 本研究では,逆分布シフト下でのソース-ターゲット検証としてこの問題について検討する。
私たちの最初の結果は、任意の画像のみの検証に対して、正確なケース制限を与えます。
2つ目の結果は、この統計的限界に達する前に、公開検証が失敗する理由を説明する。
- 参考スコア（独自算出の注目度）: 3.2940515388832963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Passive image provenance asks whether pixels alone can reveal where an image came from: a human, an aggregate AI class, or a particular generator. This becomes a robustness problem once a source image can be edited before the verifier sees it. We study the problem as source--target verification under adversarial distribution shift. Our first result gives the exact best-case limit for any image-only verifier: the largest robust target-acceptance gap equals the minimum total-variation distance between the target distribution and the set of attacked source distributions. This quantity depends on the source, target, and edit class, not on the verifier architecture. Our second result explains why deployed public verifiers can fail before this statistical limit is reached. If the verifier can be emulated on the attack region to error $\varepsilon$, then a surrogate black-box attack reaches target acceptance within $2\varepsilon$ plus optimization error of the white-box optimum; score-revealing logistic and softmax heads over public features are identifiable, and approximate score access gives stable recovery bounds. A finite-state experiment checks the minimax identity where both sides are computable. On same-prompt real/diffusion benchmarks, the evaluated public CLIP verifiers fail under targeted pixel attacks, while a ResNet-18 victim exhibits partial fake-to-real transfer. Binary feedback with abstention reduces measured attack success, but positive empirical gap upper bounds do not establish robustness. These results motivate separate evaluation of the source--target statistical ceiling and the information released by a deployed verifier.
- Abstract（参考訳）: Passive Image provenanceは、人間、集約AIクラス、あるいは特定のジェネレータという、画像がどこから来たのかをピクセルだけで明らかにできるかどうかを問う。
これは、検証者がそれを見る前にソースイメージを編集できれば、堅牢性の問題となる。
本研究では,逆分布シフト下でのソース-ターゲット検証としてこの問題について検討する。
最大の頑健な目標受容ギャップは、ターゲット分布と攻撃源分布の集合との間の最小の総偏差距離と等しい。
この量は、検証アーキテクチャではなく、ソース、ターゲット、編集クラスに依存します。
2つ目の結果は、この統計的限界に達する前に、公開検証が失敗する理由を説明する。
もし検証器が攻撃領域に$\varepsilon$の誤差でエミュレートできるなら、サロゲートブラックボックス攻撃は2$\varepsilon$のターゲット受け入れに到達し、ホワイトボックス最適値の最適化エラーが加わり、公的な特徴に対するスコアリベリングロジスティックおよびソフトマックスヘッドが識別可能となり、近似スコアアクセスは安定したリカバリバウンドを与える。
有限状態実験は、双方が計算可能なミニマックスアイデンティティをチェックする。
同じプロンプトのリアルタイム/拡散ベンチマークでは、評価された公開CLIP検証は、ターゲットのピクセル攻撃で失敗し、ResNet-18の被害者は、部分的に偽から実への転送を示す。
抑止を伴うバイナリフィードバックは、測定された攻撃の成功を減少させるが、ポジティブな経験的ギャップの上限は堅牢性を確立しない。
これらの結果は、ソースターゲット統計天井と、デプロイされた検証者によって放出される情報とを、別々に評価する動機付けとなる。
関連論文リスト
- When Can You Trust Offline Evaluation of Equal-Cost Top-k Allocation? A Controlled, Reproducible Benchmark and Practitioner's Guide [0.0]
5つのデータセットと2つの既知のエフェクトスイープにまたがる6つの推定器をベンチマークし、非シミュレートされたペア参照に対してそのメカニズムを検証する。
ターゲット自身のスコアからロガーをシャープすると、テスト対象範囲をわずかにオーバーラップし、アクションレベルの不一致が崩壊する。
結果のニュアンスのみを適合させることは、再利用バイアスをその場に残し、それを悪化させます。
論文 参考訳（メタデータ） (2026-08-12T18:10:10Z) - Robust Estimation of Sparse Numerical Vectors under Local Differential Privacy [61.848691894557426]
ローカルディファレンシャルプライバシ(LDP)プロトコルは、中毒攻撃に対して脆弱である。
本稿では,頑健なスパースベクトル平均推定問題に対処する。
本稿では,バイアスの正確な表現を行うための注意深い分析に基づく補正手法を提案する。
論文 参考訳（メタデータ） (2026-07-30T07:55:09Z) - Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection [14.738453379093961]
生成検証において、独立生成モデルは、予測ボックス内の画素から検出されたラベルを再導出する。
交換された箱、背景の箱、間違ったラベルを持つ正しい箱は、すべて検証に失敗する作物を生み出します。
検証器は検出器の信頼性を決して観測しないため、確実な誤り検出が最高となる。
論文 参考訳（メタデータ） (2026-07-28T20:10:23Z) - Security evaluation of quantum distance-bounding protocols via semidefinite programming [5.663956920055689]
量子距離バウンディングプロトコルでは、検証者が証明者が真と物理的に近接していることを確認する。
離散可変QDBに対して,ガウス攻撃モデルから推定された攻撃成功確率を報告する。
私たちが検証した離散可変プロトコル全体では、最高の1ラウンドDF攻撃はすべてのプロトコルで同じ確率(1/2$)で成功するが、MFは明確にプロトコルを分離する。
論文 参考訳（メタデータ） (2026-07-15T05:53:24Z) - VeriX-Anon: A Multi-Layered Framework for Mathematically Verifiable Outsourced Target-Driven Data Anonymization [0.0]
VeriX-Anonは、オープンソースのターゲット駆動k匿名化のための多層検証フレームワークである。
認証決定木のメルクル式ハッシュによる決定論的検証、ランダムフォレスト決定境界付近の境界センチネルによる確率的検証、および暗号識別子による正確な重複性ツインズの組み合わせである。
12のシナリオのうち11の偏差を正しく検出した。
論文 参考訳（メタデータ） (2026-04-14T08:22:18Z) - Pixel-level Certified Explanations via Randomized Smoothing [87.48628403354351]
ポストホック属性法は, 入力画素を強調することにより, 深層学習の予測を説明することを目的としている。
小さい、知覚不能な入力摂動は、同じ予測を維持しながら、属性マップを劇的に変更することができる。
ブラックボックス属性法における画素レベルのロバスト性を保証する最初の認証フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-18T14:41:24Z) - A Large-scale Multiple-objective Method for Black-box Attack against
Object Detection [70.00150794625053]
我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。
我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。
最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
論文 参考訳（メタデータ） (2022-09-16T08:36:42Z) - Feature Space Targeted Attacks by Statistic Alignment [74.40447383387574]
特徴空間ターゲットは、中間特徴写像を変調して摂動画像を攻撃する。
画素ワイドユークリッド距離の現在の選択は、ソースとターゲットの特徴に不合理に空間整合性制約を課すため、不一致を測定することが疑問視されている。
本稿では,Pair-wise Alignment AttackとGlobal-wise Alignment Attackという2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2021-05-25T03:46:39Z) - Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。
本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。
提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
論文 参考訳（メタデータ） (2020-07-11T21:20:55Z) - Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。
我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
論文 参考訳（メタデータ） (2020-07-07T18:40:19Z)
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。