顔認証/プライバシー保護/拡散モデル2026/6/16arXiv:2606.17606

Flux-Guard: 拡散モデルを用いた顔認証プライバシー保護

Flux-Guard: Facial Identity Protection using diffusion models

顔編集とプライバシー保護を統合した生成フレームワークを提案し、敵対的攻撃により不正な顔認証を防ぎつつ編集品質を維持する。

詳しい要約

1. どんなもの？

- 顔認識(FR)システムの普及に伴うプライバシーリスクに対処する、顔編集とプライバシー保護を統合したフレームワーク。 - 拡散モデル(diffusion models)ベースの生成過程でadversarial attackを行い、編集後の画像が不正なFRで追跡されにくくする。 - 個人の肖像生成・SNS共有の需要に応えつつ、identity linkageを防ぐことを狙う。

2. 先行研究と比べてどこがすごい？

- 既存のadversarial privacy保護は不正FR性能を下げられるが、generative face editingと両立しない。 - 既存の顔編集はidentity特徴を保持しがちで、編集画像が悪意あるFRに追跡されやすい。 - Flux-Guardは編集と保護を単一の生成過程で統合し、この非両立性を解消する点が新しい。

3. 技術・手法の肝は？

- flow trajectory controlにより、semantic manipulationを生成過程に整合させる。 - latent-space adversarial optimizationを導入する。 - adaptive perceptual-loss-driven weighting strategyでadversarial強度を動的に調整し、攻撃効果を最大化しつつ視覚品質を保つ。

4. どうやって有効だと検証した？

- CelebA-HQとLADNデータセットで、cross-domainなFRモデルに対するattack success rateを大幅に改善しつつ顔編集を可能にすることを示す。 - 商用APIでの評価結果により、実世界応用での有効性を確認する。 - コードは https://github.com/JLMWang/Flux-Guard で公開。

5. 議論はある？

- 要旨からは不明。 - 視覚品質と攻撃強度のトレードオフ、商用API評価の詳細、限界や失敗事例については記述がない。

6. 次に読むべき論文は？

- 要旨で参照/比較されている既存のadversarial privacy protection手法やgenerative face editing手法。 - 具体的な論文名は要旨に無いため、同分野の定番としてadversarial attack、diffusion models、face recognition、face editingの関連研究を挙げる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jie Wang, Tao Wang, Ru Zhang, Jianyi Liu

分類: cs.CV

原文アブストラクト

The widespread deployment of face recognition (FR) systems exposes personal images shared on social media and public platforms to identity linkage and privacy risks. Existing adversarial privacy protection methods can degrade unauthorized FR performance but are not compatible with generative face editing. Artificial intelligence-driven face editing tools are gaining popularity, which has significantly increased user demand for personalized portrait generation and social sharing. However, current editing methods often preserve identity features, making the edited images still susceptible to tracking by malicious FR systems. Thus, this paper proposes Flux-Guard, a privacy-preserving face editing framework based on adversarial attacks, which integrates face editing and privacy protection within a unified generative process. Specifically, we design a flow trajectory control method to align semantic manipulations with the generative process and introduce latent-space adversarial optimization with an adaptive perceptual-loss-driven weighting strategy, dynamically adjusting adversarial strength to maximize attack effectiveness while preserving visual quality. Extensive experiments demonstrate that Flux-Guard supports face editing while significantly improving attack success rates against cross-domain face recognition models on the CelebA-HQ and LADN datasets. Furthermore, evaluation results for commercial APIs have confirmed its effectiveness in real-world applications. The code is released at https://github.com/JLMWang/Flux-Guard.

arXivで原文を読む →arXiv概要ページ

← 論文一覧