针对深度哈希的模型反演攻击

深度哈希通过紧凑二进制代码提高检索效率，却引入了严重且常被忽视的隐私风险。从哈希码重建原始训练数据的能力可能导致生物识别伪造和隐私泄露等严重威胁。然而，针对深度哈希模型的模型反演攻击尚未被探索，留下了其安全隐含意义未被检讨的空白。这一研究缺口源于真实训练哈希码的不可获取性以及高度离散的汉明空间，阻止现有方法适用于深度哈希。为解决这些挑战，我们提出了DHMI，即首个针对深度哈希设计的人口反演框架。DHMI首先对辅助数据集进行聚类，以推导语义哈希中心作为锚定点。随后，它引入一种以代理导向去噪优化方法，利用一种新颖的攻击度量标准（融合分类一致性和哈希相似性），动态选择候选样本。一组代理模型指导这些候选样本的细化，确保生成高保真且语义一致的图像。实验在多个数据集上表明，DHMI即使在最具挑战性的黑盒设置下（即没有可用的训练哈希码）也成功重建了高分辨率、高质量的图像。我们的方法在黑盒场景下优于现有领先的模型反演攻击，确认了其实际有效性以及深度哈希系统固有的关键隐私风险。