論文の概要: No Way To Steal My Face: Proactive Defense Against Identity-Preserving Personalized Generation
- arxiv url: http://arxiv.org/abs/2610.19717v1
- Date: Wed, 14 Oct 2026 07:43:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 12:10:45.448495
- Title: No Way To Steal My Face: Proactive Defense Against Identity-Preserving Personalized Generation
- Title（参考訳）: 身元を保護したパーソナライズドジェネレーションに対する前向きな防御
- Abstract要約: IDGuardianは、トレーニングベースとトレーニングフリーのパーソナライゼーションメソッドの両方を防御できるアイデンティティ保護フレームワークである。
我々はIDGuardianが、さまざまなパーソナライズパイプラインやモデルアーキテクチャにわたって、IDを効果的に保護していることを示す。
- 参考スコア（独自算出の注目度）: 15.846503194561928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in diffusion models have enabled high-fidelity, identity-preserving image generation for personalized applications such as digital avatars and virtual try-on systems. However, their reliance on sensitive facial reference images raises growing privacy concerns. Existing defense mechanisms are primarily designed for training-based personalization and struggle to generalize to emerging training-free approaches, due to fundamental differences in their identity integration paradigms. To bridge this gap, we propose IDGuardian-the first generalizable and model-agnostic identity protection framework capable of defending against both training-based and training-free personalization methods. IDGuardian abstracts the personalization process into two critical stages: identity extraction and identity injection. It then introduces crafted adversarial perturbations to simultaneously disrupt both stages. Specifically, it degrades the identity features extracted by external encoders and establishes an adversarial conceptual bridge that misdirects the generative trajectory away from the target identity. Extensive experiments show that IDGuardian effectively protects identity across various personalization pipelines and model architectures, while remaining robust to post-processing, adaptive attacks, and cross-dataset generalization. Our code is available at https://github.com/OpenAscent-L/IDGuardian.git.
- Abstract（参考訳）: 近年の拡散モデルにより、デジタルアバターや仮想トライオンシステムといったパーソナライズされたアプリケーションに対して、高忠実でアイデンティティを保存する画像生成が可能になった。
しかし、繊細な顔参照画像への依存は、プライバシーの懸念を増す。
既存の防御機構は、主にトレーニングベースのパーソナライズのために設計されており、アイデンティティ統合パラダイムの根本的な違いのため、新たなトレーニングフリーアプローチへの一般化に苦慮している。
このギャップを埋めるために、トレーニングベースとトレーニングフリーのパーソナライズ手法の両方を防御できるIDGuardian-第1次一般化可能かつモデルに依存しないアイデンティティ保護フレームワークを提案する。
IDGuardianはパーソナライゼーションプロセスを、アイデンティティ抽出とアイデンティティ注入という2つの重要な段階に抽象化する。
その後、両ステージを同時に破壊するために、対向的摂動を工芸的に導入する。
具体的には、外部エンコーダによって抽出されたアイデンティティの特徴を劣化させ、生成軌跡を対象のアイデンティティから逸脱させる対角的概念ブリッジを確立する。
大規模な実験の結果、IDGuardianはさまざまなパーソナライズパイプラインやモデルアーキテクチャをまたいだアイデンティティを効果的に保護する一方で、後処理やアダプティブアタック、クロスデータセットの一般化に頑健であることがわかった。
私たちのコードはhttps://github.com/OpenAscent-L/IDGuardian.git.comで公開されています。
関連論文リスト
- PIU: Proximity-guided Identity Unlearning in ID-Conditioned Diffusion Models [2.260041671242786]
我々は、顔生成のための最先端のアイデンティティ条件付き潜時拡散モデルであるArc2Faceでアイデンティティアンラーニングを研究する。
本稿では,Pu(Proximity-guided Identity Unlearning)について紹介する。
論文 参考訳（メタデータ） (2026-05-21T10:55:56Z) - Identity-Decoupled Anonymization for Visual Evidence in Multi-modal Retrieval-Augmented Generation [9.39195684989942]
Identity-Decoupled MRAGは、生成匿名化モジュールを検索と生成の間に介在するフレームワークである。
提案手法は,各面を識別符号と空間的に構造化された属性コードに分解し,相互情報的ペナルティと勾配に基づく独立項で正規化する不整形変分エンコーダ,識別符号を元のものと現実とを区別することが保証された合成物に置換する多様体認識拒絶サンプリング器,および (iii)匿名化顔と置換IDとを合成する条件付き潜時拡散発生器からなる。
論文 参考訳（メタデータ） (2026-04-26T07:42:33Z) - IDDM: Identity-Decoupled Personalized Diffusion Models with a Tunable Privacy-Utility Trade-off [16.978864881456392]
パーソナライズパイプラインにアイデンティティ分離を統合するモデルサイドディフェンスを提案する。
IDDMは、高品質なパーソナライズされた世代を維持しながら、恒常的にアイデンティティ結合性を低下させる。
論文 参考訳（メタデータ） (2026-04-01T13:46:22Z) - Reverse Personalization [48.09783075634403]
顔の匿名化のための逆パーソナライズフレームワークを導入する。
顔の属性を制御できない従来の匿名化手法とは異なり、我々のフレームワークは属性制御可能な匿名化をサポートしている。
論文 参考訳（メタデータ） (2025-12-28T16:06:55Z) - 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) - PersGuard: Preventing Malicious Personalization via Backdoor Attacks on Pre-trained Text-to-Image Diffusion Models [51.458089902581456]
特定の画像の悪質なパーソナライズを防ぐ新しいバックドアベースのアプローチであるPersGuardを紹介する。
我々の手法は既存の技術よりも優れており、プライバシーと著作権保護に対するより堅牢なソリューションを提供する。
論文 参考訳（メタデータ） (2025-02-22T09:47:55Z) - ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification [60.73617868629575]
深層学習に基づく顔操作の誤用は、公民権に重大な脅威をもたらす。
この不正行為を防止するため、操作過程を妨害する積極的な防御法が提案されている。
本稿では,IDガード(ID-Guard)と呼ばれる顔の操作に対処するための普遍的な枠組みを提案する。
論文 参考訳（メタデータ） (2024-09-20T09:30:08Z) - StableIdentity: Inserting Anybody into Anywhere at First Sight [57.99693188913382]
一つの顔画像で同一性に一貫性のある再テクスチャ化を可能にするStableIdentityを提案する。
私たちは、1つの画像から学んだアイデンティティを直接、微調整なしでビデオ/3D生成に注入する最初の人です。
論文 参考訳（メタデータ） (2024-01-29T09:06:15Z) - Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。
具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。
本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
論文 参考訳（メタデータ） (2023-09-11T09:26:07Z)
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。