論文の概要: Diff-IrisPAD: Modeling Bona Fide Iris Distributions for Unsupervised Presentation Attack Detection

• arxiv url: http://arxiv.org/abs/2610.29611v1
• Date: Wed, 21 Oct 2026 11:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.351904
• Title: Diff-IrisPAD: Modeling Bona Fide Iris Distributions for Unsupervised Presentation Attack Detection
• Title（参考訳）: Diff-IrisPAD:教師なし提示検出のためのボナファイドアイリス分布のモデル化
• Abstract要約: Diff-IrisPADは、攻撃サンプルを使わずにボナファイドアイリス分布をモデル化する教師なしフレームワークである。 実験の結果、Diff-IrisPADは30.52のACERを達成し、拡散ベースのベースラインを著しく上回ることがわかった。
• 参考スコア（独自算出の注目度）: 6.260154736578109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Iris recognition systems are vulnerable to presentation attacks (PAs), including textured contact lenses, print replays, and synthetic irises. Existing PAD methods rely on supervised learning with attack data, limiting generalization to unseen attacks and new sensors. We propose Diff-IrisPAD, an unsupervised framework based on Brownian Bridge Diffusion that models bona fide iris distributions without using attack samples. The method reconstructs clean iris textures from degraded inputs and detects attacks via reconstruction inconsistency using ViT scoring and pixel-level measures. Experiments on a large-scale multi-sensor dataset (125K+ images, NIR and VIS, 8 attack types) show that Diff-IrisPAD achieves an overall ACER of 30.52, significantly outperforming diffusion-based baselines while demonstrating strong generalization to unseen attacks. These results highlight the effectiveness of diffusion-based bona fide modeling for robust and scalable iris PAD.
• Abstract（参考訳）: アイリス認識システムは、テクスチャ付きコンタクトレンズ、プリント再生、合成アイライズを含む、プレゼンテーションアタック(PA)に対して脆弱である。 既存のPAD手法は、攻撃データによる教師あり学習に依存しており、一般化は目に見えない攻撃と新しいセンサーに限られている。 攻撃サンプルを使わずにボナファイドアイリス分布をモデル化したブラウン橋拡散に基づく教師なしフレームワークDiff-IrisPADを提案する。 劣化した入力からクリーンアイリスのテクスチャを再構築し、ViTスコアと画素レベルの測定値を用いて、再構成不整合による攻撃を検出する。 大規模なマルチセンサーデータセット(125K+画像、NIR、VIS、8種類の攻撃タイプ)の実験では、Diff-IrisPADは30.52のACERを達成し、拡散ベースのベースラインを著しく上回っており、未確認攻撃に対する強力な一般化を示している。 これらの結果は,ロバストでスケーラブルなアイリスPADのための拡散型ボナフィドモデルの有効性を浮き彫りにした。

関連論文リスト

• A Systematic Failure Analysis of Vision Foundation Models for Open Set Iris Presentation Attack Detection [6.472008340680056]
  本研究は、近視画像を用いたオープンセット虹彩PADのための汎用視覚基盤モデルの系統的故障解析を行う。 その結果、基礎モデルは、類似したセンシング特性を持つデータセット間で転送可能であるが、未知の攻撃機器に対して確実に一般化できないことが示唆された。 これらの結果から,強いクローズドセットやクロスデータセットのパフォーマンスは,堅牢なオープンセットセキュリティの証拠として扱うべきではないことが示唆された。
  論文  参考訳（メタデータ） (2026-05-18T18:41:26Z)
• A Multi-domain Image Translative Diffusion StyleGAN for Iris Presentation Attack Detection [6.369212768424994]
  アイリス生体認証システムは、人工眼、プリントアイイメージ、化粧コンタクトレンズなどの人工物がシステムに提示されるプレゼンテーションアタック(PA)によって妥協することができる。 MID-StyleGANは、複数の領域におけるPAおよびボナファイド特性をキャプチャする合成眼像を生成するための新しいフレームワークである。 実験により、MID-StyleGANは高品質な合成眼画像を生成する既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-16T05:21:30Z)
• AdvAD: Exploring Non-Parametric Diffusion for Imperceptible Adversarial Attacks [24.401789411246874]
  知覚不能な敵攻撃は、入力データに知覚不能な摂動を加えることでDNNを騙すことを目的としている。 従来手法では、特定の設計された知覚に基づく損失や生成モデルの能力と共通の攻撃パラダイムを統合することにより、攻撃の非受容性を改善することが一般的であった。 本稿では、既存の攻撃パラダイムとは異なる新しいモデリングフレームワークAdvAD(Adversarial Attacks in Diffusion)を提案する。
  論文  参考訳（メタデータ） (2025-03-12T07:22:39Z)
• Enhancing Adversarial Transferability with Adversarial Weight Tuning [50.01825144613307]
  敵対的な例(AE)は、人間の観察者に対して良心を抱きながらモデルを誤解させた。 AWTは、勾配に基づく攻撃法とモデルに基づく攻撃法を組み合わせて、AEの転送可能性を高めるデータフリーチューニング手法である。
  論文  参考訳（メタデータ） (2024-08-18T13:31:26Z)
• DiffAttack: Evasion Attacks Against Diffusion-Based Adversarial Purification [63.65630243675792]
  拡散に基づく浄化防御は拡散モデルを利用して、敵の例の人工摂動を除去する。 近年の研究では、先進的な攻撃でさえ、そのような防御を効果的に破壊できないことが示されている。 拡散型浄化防衛を効果的かつ効率的に行うための統合フレームワークDiffAttackを提案する。
  論文  参考訳（メタデータ） (2023-10-27T15:17:50Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• DFCANet: Dense Feature Calibration-Attention Guided Network for Cross Domain Iris Presentation Attack Detection [2.95102708174421]
  アイリス提示攻撃検出(IPAD)は個人識別の確保に不可欠である。 既存のIPADアルゴリズムは、目に見えないクロスドメインシナリオにうまく一般化しない。 本稿では,DFCANet: Dense Feature and Attention Guided Networkを提案する。
  論文  参考訳（メタデータ） (2021-11-01T13:04:23Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Anomaly Detection with Convolutional Autoencoders for Fingerprint Presentation Attack Detection [11.879849130630406]
  提示攻撃検出(PAD)法は、ボナファイド被検体由来のサンプルと、提示攻撃装置(PAI)由来のサンプルとを判定するために用いられる。 短波長赤外領域で捕獲されたボナファイドサンプル(すなわち1クラス)にのみ訓練されたオートエンコーダ(AE)に基づく新しいPAD手法を提案する。
  論文  参考訳（メタデータ） (2020-08-18T15:33:41Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。