論文の概要: Detecting Generated-Depth Injection Attacks on RGB-D Place Authentication

• arxiv url: http://arxiv.org/abs/2611.01550v1
• Date: Sun, 01 Nov 2026 04:21:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:16:16.657738
• Title: Detecting Generated-Depth Injection Attacks on RGB-D Place Authentication
• Title（参考訳）: RGB-Dプレース認証における高密度インジェクション攻撃の検出
• Abstract要約: 攻撃者は、公開されているRGBイメージから深さを生成し、偽のRGB-Dクエリを送信できる。 本稿では, 入出力とクエリビュー間の幾何的整合性を利用したプレゼンテーションアタック検出(PAD)分類器について検討する。 3段階評価では、攻撃者がカメラの内在を正確に知っているかによって、この分類器がソフトウェアが注入した深さをどの程度検出するかが示される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Advances in monocular depth estimation (MDE) now let an attacker generate depth from publicly available RGB images and submit forged RGB-D queries. Such attacks break a core assumption of RGB-D place authentication: that depth comes from a sensor. We study a presentation attack detection (PAD) classifier that uses geometric consistency between the enrollment and query views, as a software-layer defense. A three-stage evaluation shows how far this classifier detects software-injected depth, depending on how accurately the attacker knows the camera intrinsics. In the first stage, the attacker has only an estimate of the intrinsics, and the PAD classifier separates forgeries generated by all three MDE models with a validation area under the receiver operating characteristic curve (AUC) of 0.997-0.999. In the second stage, the attacker obtains the exact intrinsics, and the original PAD classifier falls to near chance (AUC 0.54-0.61); a retrained PAD classifier, however, still has the registration residual between enrollment and query as a cue. In the third stage, an oracle evaluation, in which the evaluator fits warps using the ground-truth 3D geometry, shows that detection falls to near chance only in its strongest case, where every valid query keypoint is given its ground-truth 3D coordinate. Of the detection cues, the reprojection error captures the attacker's misestimate of the intrinsics, whereas the registration residual remains even when the attacker knows the exact intrinsics.
• Abstract（参考訳）: モノクロ深度推定(MDE)の進歩により、攻撃者は公開されているRGBイメージから深度を生成し、偽のRGB-Dクエリを送信できるようになった。 このような攻撃は、RGB-Dの位置認証という中核的な仮定を破る。 本稿では,ソフトウェア層防衛の手法として,登録ビューとクエリビューの幾何的整合性を利用したプレゼンテーションアタック検出(PAD)分類器について検討する。 3段階評価では、攻撃者がカメラの内在を正確に知っているかによって、この分類器がソフトウェアが注入した深さをどの程度検出するかが示される。 第1段階では、攻撃者は内在性の推定値しか持たず、PAD分類器は、3つのMDEモデルすべてによって生成された偽造を、受信機動作特性曲線(AUC)の0.997-0.999の下で検証領域で分離する。 第2段階では、攻撃者は正確な内在性を取得し、元のPAD分類器は、再訓練されたPAD分類器であるAUC 0.54-0.61に近づく。 第3段階では、評価器が接地トラス3D幾何を用いてワープに適合するオラクル評価により、検出が最強の場合のみに近づき、全ての有効なクエリキーポイントがその接地トラス3D座標が与えられることを示す。 検出方法のうち、再射誤差は攻撃者の内在性に関する誤解を捉え、一方、登録残余は攻撃者が正確な内在性を知っている場合でも残る。

関連論文リスト

• Detecting Backdoors in Object Detection via Pre-NMS Prediction Distribution Shift [35.70747932100589]
  DistScanは、シンプルだが以前は明らかにされていなかった観察に基づくバックドア検出フレームワークである。 既存の手法を大幅に上回り、最高の性能のベースラインに対する平均検出精度を27.32ポイント向上させる。
  論文  参考訳（メタデータ） (2026-08-19T16:38:39Z)
• BadDet+: Robust Backdoor Attacks for Object Detection [10.393154496941527]
  BadDet+は、Regional Misclassification Attacks(RMA)とObject Disappearance Attacks(ODA)を統合したペナルティベースのフレームワークである。 実世界のベンチマークでは、BadDet+は、クリーンなパフォーマンスを維持しながら既存のRMAやOdaベースラインよりも優れた合成と物理の転送を実現している。 これらの結果は、物体検出における重大な脆弱性と、特殊防御の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-01-28T21:46:33Z)
• AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
  CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。 我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。 また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-08-04T09:53:50Z)
• ODDR: Outlier Detection & Dimension Reduction Based Defense Against Adversarial Patches [4.4100683691177816]
  敵対的攻撃は、機械学習モデルの信頼性の高いデプロイに重大な課題をもたらす。 パッチベースの敵攻撃に対処するための総合的な防御戦略である外乱検出・次元削減(ODDR)を提案する。 提案手法は,逆パッチに対応する入力特徴を外れ値として同定できるという観測に基づいている。
  論文  参考訳（メタデータ） (2023-11-20T11:08:06Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• 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。