Attack GAN (AGAN): 感知加密的新安全评估工具

Jul, 2024

Attack GAN (AGAN): 感知加密的新安全评估工具

Attack GAN (AGAN ): A new Security Evaluation Tool for Perceptual Encryption

Umesh Kashyap, Sudev Kumar Padhi, Sk. Subidh Ali

TL;DR训练最先进的深度学习模型需要大量数据，其中与训练数据相关的视觉信息可能会被滥用，因此保护敏感视觉信息成为一个重要问题。本文介绍了一种名为 Attack GAN (AGAN) 的新型生成对抗网络（GAN）攻击方法，该方法能够成功破解感知加密方法，通过重建原始图像来打破其感知加密。AGAN 可作为评估诸如 AV IH 等隐私保护的加密方法鲁棒性的基准工具。

Abstract

Training state-of-the-art (SOTA) deep learning models requires a large amount of data. The visual information present in the training data can be misused, which creates a huge privacy concern. One of the prominent solutions for this issue is perceptual encryption, which converts images

发现论文，激发创造

LOGAN:针对生成模型的成员资格推理攻击

本文提出了首个针对生成模型的成员推断攻击方法，使用生成对抗网络检测过度拟合并识别训练数据，发现缺陷对于不同的训练参数有不同的灵敏度，防御方法不够有效并会导致生成模型在训练稳定性或样本质量方面表现较差。

May, 2017

差分隐私生成对抗网络

本文通过在学习过程中添加特别设计的梯度噪声来实现差分隐私的生成对抗网络（DPGAN），以解决GAN在应用于私人或敏感数据时可能泄露关键信息的问题，并提供隐私保障的严格证明和全面的实证证据。

Feb, 2018

基于生成对抗网络的隐形隐写术

本研究提出了一种名为 ISGAN 的卷积神经网络结构，使用生成对抗网络，混合损失函数等方法，将灰度图像嵌入到彩色图像的 Y 通道中进行隐蔽，并在接收端精确地提取出秘密图像。实验表明，该方法在数据集 LFW，Pascal VOC2012 和 ImageNet 上达到了最先进水平。

Jul, 2018

生成模型的人工指纹: 通过训练数据来追根揭底深度伪造图像的来源

我们通过嵌入人工指纹到生成对抗网络的训练数据中，展示了指纹从训练数据中转移到生成模型的惊人传递性，并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效，且鲁棒性强。

Jul, 2020

GRNN: 生成回归神经网络--针对联邦学习的数据泄漏攻击

本文介绍了一种名为GRNN的新方法，该方法利用了生成对抗网络（GAN）来恢复共享梯度中的隐私信息。结果表明，这种方法在图像分类任务中表现出更好的稳定性、更强的鲁棒性和更高的准确性，同时无需全局FL模型的收敛要求，具有非常多的实用价值。

May, 2021

生成对抗网络：面向私密和安全应用的调查

本论文对生成对抗网络在隐私和安全领域的最新研究进行了综述和分类分析，探讨了潜在的应用以及未来的研究方向。

Jun, 2021

深度概率模型中的图像隐藏

使用深度概率模型，将秘密图像隐藏在某个空间中，生成随机噪声图来使秘密图像难以被检测，实现了多图像隐写和增强模型安全性。

Oct, 2022

通过检测器网络在GAN中识别黑盒训练数据

使用生成对抗网络黑盒设置进行成员推断攻击，探究其对隐私的影响，并发现攻击成功率较其他生成模型和判别模型要低，这呈现出GAN是否确实更为私密的有趣问题。

Oct, 2023

提升数字安全：融合密码学与隐写术

应用人工智能（AI）和深度学习（DL）中的生成对抗网络（GANs）优化传统隐写术方法，通过将加密数据嵌入到另一个媒介中，保护通信免受窥探，并提高对检测的防护，从而维护信息的隐私和完整性，解决当前开放数字通信时代数据安全的核心挑战，并为信息安全领域带来可能的颠覆性改变。

Apr, 2024

揭示隐藏视觉信息：针对对抗视觉信息隐藏的重构攻击

本研究解决了对抗示例基础图像加密中的安全漏洞，通过对加密图像实施数据重构攻击。论文提出了一种双策略的重构攻击方法，结合生成对抗损失和增强身份损失，显著提高了重构图像的质量，允许更少的共享密钥的加密图像，进而增强了安全性。

Aug, 2024