論文の概要: Your Secrets Are Showing: Deep Image Hiding Models Are Surprisingly Easy to Attack
- arxiv url: http://arxiv.org/abs/2611.15583v1
- Date: Wed, 11 Nov 2026 15:05:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.17661
- Title: Your Secrets Are Showing: Deep Image Hiding Models Are Surprisingly Easy to Attack
- Title(参考訳): ディープ・イメージ・ヒドリング・モデル(動画)
- Abstract要約: ディープ・イメージの隠蔽については、驚くほど簡単なことを示しています。
攻撃はアウト・オブ・ディストリビューション・シークレットやマルチイメージ・シークレットにまで及ぶ。
- 参考スコア(独自算出の注目度): 32.743071338965194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we ask whether an attacker can go beyond detecting a hidden image and tell what it depicts, even without knowing which model hid it. We show that, for deep image hiding, this is surprisingly easy. To test this, we build an evaluation dataset of stego images generated by 11 hiding models. These models span two families (invertible neural networks and autoencoders), use different backbones (CNN, Transformer, and Mamba), and include both spatial- and frequency-domain hiding methods. We demonstrate that training HiNet [17] in the usual way yields a single decoder that can extract secret content from unseen models across these settings. Both humans and machines can recognize what it reveals. A frequency analysis shows that most models favor mid- and high-frequency embedding. Guided by this finding, we strengthen cross-model extraction by enhancing cover textures and suppressing secret textures during training. The attack extends to out-of-distribution secrets and to multi-image hiding. It even exposes private content hidden by AIRPNet [13], a recent image restoration method that uses steganography for privacy protection. What surprised us most is that decoders from every hiding model we test exhibit this ''universal'' extraction ability to varying degrees. Our code and datasets will be open-sourced.
- Abstract(参考訳): 本研究では,攻撃者が隠された画像を検出して,どのモデルが隠されたのかを知らずに,何を描いたのかを判断できるかどうかを問う。
ディープ・イメージの隠蔽については、驚くほど簡単なことを示しています。
これをテストするために,11個の隠れモデルから生成されたステゴ画像の評価データセットを構築した。
これらのモデルは、2つのファミリー(可逆ニューラルネットワークとオートエンコーダ)にまたがっており、異なるバックボーン(CNN、Transformer、Mamba)を使用し、空間的および周波数的ドメインの隠蔽方法を含む。
私たちは、HiNet [17]を通常の方法でトレーニングすると、これらの設定で見えないモデルから秘密のコンテンツを抽出できる単一のデコーダが得られることを実証しています。
人間も機械も、その姿を認識できる。
周波数解析により、ほとんどのモデルが中・高周波埋め込みを好むことが示された。
本研究は, カバーテクスチャの強化と, トレーニング中の秘密テクスチャの抑制により, クロスモデル抽出を強化した。
攻撃はアウト・オブ・ディストリビューション・シークレットやマルチイメージ・隠れにまで及ぶ。
また、プライバシー保護のためにステガノグラフィーを利用する最近の画像復元手法であるAIRPNet[13]で隠されたプライベートコンテンツも公開している。
最も驚いたのは、テスト対象のすべての隠れモデルからデコーダが、この'ユニバーサル'抽出能力を様々な程度に示すことです。
コードとデータセットはオープンソースになります。
関連論文リスト
- Cover-separable Fixed Neural Network Steganography via Deep Generative Models [37.08937194546323]
我々は、Cs-FNNSという、カバー分離可能な固定ニューラルネットワークステレオグラフィーを提案する。
Cs-FNNSでは,シークレットデータを受容不能な摂動に直接エンコードするSPSアルゴリズムを提案する。
本稿では,視覚的品質と非検出性の観点から,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2024-07-16T05:47:06Z) - DIAGNOSIS: Detecting Unauthorized Data Usages in Text-to-image Diffusion Models [79.71665540122498]
保護されたデータセットにインジェクトされたコンテンツを配置することで、不正なデータ利用を検出する手法を提案する。
具体的には、ステルス画像ワープ機能を用いて、これらの画像にユニークな内容を追加することにより、保護された画像を修正する。
このモデルが注入されたコンテンツを記憶したかどうかを解析することにより、不正に不正に使用したモデルを検出することができる。
論文 参考訳(メタデータ) (2023-07-06T16:27:39Z) - Mask and Restore: Blind Backdoor Defense at Test Time with Masked Autoencoder [50.1394620328318]
既存のバックドア防御手法では、いくつかのバリデーションデータとモデルパラメータにアクセスする必要があることが多い。
Masked AutoEncoder (BDMAE) を用いたブラインドバックドアディフェンスの提案
BDMAEは、画像の構造的類似性と、テスト画像とMAE復元の間のラベルの整合性を用いて、可能な局所的なトリガを検出する。
論文 参考訳(メタデータ) (2023-03-27T19:23:33Z) - Generative Model-Based Attack on Learnable Image Encryption for
Privacy-Preserving Deep Learning [14.505867475659276]
本稿では,プライバシ保護深層学習のための学習可能な画像暗号化手法に対する,新たな生成モデルに基づく攻撃を提案する。
我々は、StyleGANベースモデルと潜伏拡散ベースモデルという、最先端の2つの生成モデルを使用している。
その結果,提案手法により再構成された画像は,通常の画像と知覚的に類似していることがわかった。
論文 参考訳(メタデータ) (2023-03-09T05:00:17Z) - Hiding Images in Deep Probabilistic Models [58.23127414572098]
我々は、画像の深い確率モデルに隠蔽するための異なる計算フレームワークについて述べる。
具体的には、DNNを用いて、カバー画像の確率密度をモデル化し、学習した分布の特定の場所に秘密画像を隠す。
我々は,抽出精度とモデルセキュリティの観点から,SinGANアプローチの実現可能性を示す。
論文 参考訳(メタデータ) (2022-10-05T13:33:25Z) - Generative Steganography Network [37.182458848616754]
表紙画像を用いることなく現実的なステゴ画像を生成することのできる,高度な生成型ステガノグラフィーネットワーク(GSN)を提案する。
シークレットブロックと呼ばれるモジュールは、画像生成中に特徴マップにシークレットデータを隠蔽するように微妙に設計されている。
論文 参考訳(メタデータ) (2022-07-28T03:34:37Z) - Defending against Model Stealing via Verifying Embedded External
Features [90.29429679125508]
トレーニングサンプルがなく、モデルパラメータや構造にアクセスできない場合でも、敵はデプロイされたモデルを盗むことができる。
我々は、不審なモデルがディフェンダー特定遠近法の特徴の知識を含んでいるかどうかを検証することによって、他の角度からの防御を探索する。
本手法は, 複数段階の盗難処理によって盗難モデルが得られた場合でも, 同時に異なる種類の盗難モデルを検出するのに有効である。
論文 参考訳(メタデータ) (2021-12-07T03:51:54Z)
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。