ترجمه فارسی مقاله آشکار کردن اطلاعات بصری پنهان: یک حمله بازسازی علیه پنهان‌سازی اطلاعات بصری خصمانه

چکیده

This paper investigates the security vulnerabilities of adversarial-example-based image encryption by executing data reconstruction (DR) attacks on encrypted images. A representative image encryption method is the adversarial visual information hiding (AVIH), which uses type-I adversarial example training to protect gallery datasets used in image recognition tasks. In the AVIH method, the type-I adversarial example approach creates images that appear completely different but are still recognized by machines as the original ones. Additionally, the AVIH method can restore encrypted images to their original forms using a predefined private key generative model. For the best security, assigning a unique key to each image is recommended; however, storage limitations may necessitate some images sharing the same key model. This raises a crucial security question for AVIH: How many images can safely share the same key model without being compromised by a DR attack? To address this question, we introduce a dual-strategy DR attack against the AVIH encryption method by incorporating (1) generative-adversarial loss and (2) augmented identity loss, which prevent DR from overfitting — an issue akin to that in machine learning. Our numerical results validate this approach through image recognition and re-identification benchmarks, demonstrating that our strategy can significantly enhance the quality of reconstructed images, thereby requiring fewer key-sharing encrypted images. Our source code to reproduce our results will be available soon.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله آسیب پذیری های امنیتی رمزگذاری تصویر مبتنی بر نمونه مخالف با اجرای حملات بازسازی داده ها (DR) به تصاویر رمزگذاری شده بررسی شده است.یک روش رمزگذاری تصویر نماینده ، مخفی کردن اطلاعات تصویری مخالف (AVIH) است که از آموزش نمونه مخالف Type-I برای محافظت از مجموعه داده های گالری مورد استفاده در کارهای تشخیص تصویر استفاده می کند.در روش AVIH ، رویکرد نمونه مخالف Type-I تصاویری را ایجاد می کند که کاملاً متفاوت به نظر می رسند اما هنوز توسط دستگاه ها به عنوان اصلی شناخته می شوند.علاوه بر این ، روش AVIH می تواند با استفاده از یک مدل تولیدی کلید خصوصی از پیش تعریف شده ، تصاویر رمزگذاری شده را به اشکال اصلی خود بازگرداند.برای بهترین امنیت ، اختصاص یک کلید منحصر به فرد به هر تصویر توصیه می شود.با این حال ، محدودیت های ذخیره سازی ممکن است برخی از تصاویر را به اشتراک بگذارند که همان مدل کلیدی را به اشتراک می گذارند.این یک سوال امنیتی مهم برای AVIH ایجاد می کند: چند تصویر می توانند با خیال راحت همان مدل کلیدی را به اشتراک بگذارند بدون اینکه توسط یک حمله DR به خطر بیفتد؟برای پرداختن به این سؤال ، ما با استفاده از (1) از دست دادن مولد-آسایش و (2) از دست دادن هویت ، که مانع از بیش از حد DR می شود ، یک حمله DR دو استراتژی را علیه روش رمزگذاری AVIH معرفی می کنیم-که مانع از بیش از حد DR می شود-موضوعی شبیه به آن در یادگیری ماشینبشرنتایج عددی ما این رویکرد را از طریق تشخیص تصویر و معیارهای شناسایی مجدد تأیید می کند ، نشان می دهد که استراتژی ما می تواند به طور قابل توجهی کیفیت تصاویر بازسازی شده را افزایش دهد ، از این طریق به تصاویر رمزگذاری شده به اشتراک گذاری کلیدی نیاز دارد.کد منبع ما برای بازتولید نتایج ما به زودی در دسترس خواهد بود.