攻击性生成对抗网络 (AGAN)：感知加密的新安全评估工具
计算机视觉与模式识别
2024-07-10 v1
摘要
训练最先进深度学习模型需要大量数据。训练数据中包含的视觉信息可能被滥用，造成巨大的隐私问题。感知加密作为主要解决方案，将图像转换为无法被识别的格式，以保护训练数据中的敏感视觉信息，但会显著降低模型准确率。对抗视觉信息隐藏 (AV IH) 克服了这一缺点，通过尝试创建对人类眼睛不可识别但对目标模型保留相关特征的加密图像来保护图像隐私。本文介绍了攻击性生成对抗网络 (AGAN) 方法，这是一种新的基于生成对抗网络 (GAN) 的攻击，暴露了 AV IH 方法的多个漏洞。为展示其适应性，将 AGAN 扩展到传统感知加密方法，包括可学习加密 (LE) 和加密后压缩 (EtC)。在多样化的图像数据集和目标模型上进行了大量实验，以验证 AGAN 方法的有效性。结果表明，AGAN 能够成功从 AV IH 加密图像中重建原始图像，可作为评估加密方法鲁棒性的基准工具，如 AV IH。
引用
@article{arxiv.2407.06570,
title = {Attack GAN (AGAN ): A new Security Evaluation Tool for Perceptual Encryption},
author = {Umesh Kashyap and Sudev Kumar Padhi and Sk. Subidh Ali},
journal= {arXiv preprint arXiv:2407.06570},
year = {2024}
}