Aug, 2024

揭示隐藏视觉信息：针对对抗视觉信息隐藏的重构攻击

HTML
PDF
TL;DR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。
发现论文，激发创造
  • HiDDeN: 使用深度网络隐藏数据

    文中讨论深度神经网络的鲁棒性，探索使用对抗干扰来做数据隐藏的可行性，并展示了效果竞争力强的编码技术及其在对抗干扰下的鲁棒性的改进方式。

    Jul, 2018

  • SteganoGAN: 利用 GAN 进行高容量图像隐写

    本文提出一种在图像中使用生成对抗网络隐藏任意二进制数据的新技术，可以优化模型生成的图像的感知质量，实现了每像素4.4位的最新载荷，可逃避隐写分析工具的检测，并适用于多个数据集的图像。作者还发布了一个开源库，以便公正比较。

    Jan, 2019

  • 具有秘密密钥的分块图像转换用于对抗性鲁棒防御

    本文提出了一种新的防御方法，通过像素重排、位反转和FFX加密三种算法对输入图像进行块状预处理，使用该方法在CIFAR-10和ImageNet数据集中的黑盒和白盒攻击实验中均能保持较高分类准确性，是当前已知的对抗防御技术中最优秀的。

    Oct, 2020

  • 基于频率过滤编码器的隐私安全表示学习

    通过引入低通滤波器来增强对抗表示学习方法以保障图像隐私安全，同时在隐私-实用性权衡方面优于之前的方法，并通过用户用户研究定性评估了攻击防御性能。

    Aug, 2022

  • 图像劫持：对抗性图像能在运行时控制生成模型

    基于图像输入的视觉语言模型（VLM）存在图像劫持问题，本研究发现了在运行时控制生成模型的对抗性图像劫持，并提出了一种名为Behavior Matching的通用方法来创建这种图像劫持，通过对LLaVA-2模型进行攻击实验发现，各种攻击方式成功率均在90%以上，这些发现对于基础模型的安全性提出了严重的担忧。

    Sep, 2023

  • 利用多个加密修补嵌入阻碍对抗性攻击

    我们提出了一种新的基于关键词的防御方法，注重效率和鲁棒性，在大型数据集如ImageNet上的有效训练非常困难。该防御方法通过效率训练和可选随机化的两个重要改进来构建，以一个或多个秘密的补丁嵌入和分类器头与预训练的各向同性网络相结合，实现对已知攻击的高鲁棒性和可比较的净准确性。

    Sep, 2023

  • 通过噪声类对抗样本实现可恢复的隐私保护图像分类

    我们提出了一种新颖的隐私保护图像分类方案，可以通过加密图像进行分类，同时能够高保真地解密回原始图像形式，并实现了高水平的安全性。

    Oct, 2023

  • 信息屏蔽的对抗净化

    我们提出了一种名为信息掩膜净化（IMPure）的新型对抗净化方法，该方法旨在广泛消除对抗性扰动，并在ImageNet数据集上通过三个分类器模型的广泛实验证明，我们的方法在对抗攻击方法方面取得了最先进的结果。

    Nov, 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

  • Attack GAN (AGAN): 感知加密的新安全评估工具

    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。

    Jul, 2024