面向医学图像扩散模型的频率校准型成员推断攻击
计算机视觉与模式识别
2025-06-19 v1 机器学习
摘要
扩散模型在图像生成中日益广泛应用，尤其是在敏感领域如医学影像方面，引发了显著的隐私关注。成员推断攻击 (MIA) 作为一种潜在方法，旨在确定特定图像是否用于训练扩散模型，从而量化隐私风险。现有 MIA 方法常依赖扩散重建误差，预期成员图像的重建误差低于非成员图像。但直接将这些方法应用于医学图像面临挑战：重建误差受图像固有难度影响，扩散模型在高频细节重建方面存在困难。为此，我们提出一种用于医学图像扩散模型的频率校准重建误差 (FCRE) 方法。通过聚焦于特定中频范围的重建误差，排除高频（难以重建）和低频（信息不足）区域，我们的频率选择方法可减轻图像固有难度的混淆因素。具体而言，我们分析逆扩散过程，获取中频重建误差，并计算重建图像与原始图像之间的结构相似性指数得分。通过将该得分与阈值比较来确定成员身份。实验表明，我们的 FCRE 方法在多个医学图像数据集上优于现有 MIA 方法。
引用
@article{arxiv.2506.14919,
title = {Frequency-Calibrated Membership Inference Attacks on Medical Image Diffusion Models},
author = {Xinkai Zhao and Yuta Tokuoka and Junichiro Iwasawa and Keita Oda},
journal= {arXiv preprint arXiv:2506.14919},
year = {2025}
}