【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake

最新推荐文章于 2025-11-23 22:37:35 发布
最新推荐文章于 2025-11-23 22:37:35 发布
阅读量138 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文阅读笔记DeepFake 文章标签： 性能优化 计算机视觉 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/sinat_39223177/article/details/155165900

文章目录

NullSwap: Proactive Identity Cloaking Against Deepfake

会议/期刊：ICCV 2025
作者：
在这里插入图片描述

创新点

主动防御 隐藏原图像身份

身份伪装算法 主动防御深伪交换攻击

聚焦被交换

嵌入扰动隐藏身份信息

摘要

由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】

然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】
1）由于直接元素添加而导致的视觉退化;
2）对交换操纵的有效性有限;
3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。

我们分析了深度伪造swap技术的本质，并论证了保护源

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Nexus: Proactive Intra-GPU Disaggregation of Prefill and Decode in LLM Serving
c_cpp_csharp的专栏
08-17 263
当前的预填充-解码（PD）解耦通常部署在整个服务引擎层面，为预填充和解码阶段分配独立的GPU。这种方法虽能降低延迟，但需要更多硬件。为提高GPU利用率，“分块预填充”（Chunked Prefill）在同一批次中混合预填充和解码请求，却会导致两阶段间的干扰。尽管现有PD解耦方案将两阶段分离到不同GPU上，但本文提出：能否在单个服务引擎内实现同样的解耦？核心挑战在于当两阶段共享硬件时，如何管理它们冲突的资源需求。本文首先证明，分块预填充请求会因对GPU资源的独特需求而干扰解码请求；
因果论文：Proactive Pseudo-Intervention
mistydou的博客
02-03 576
因果论文阅读
记一篇DeepFake主动防御方向的review
hosheaw的博客
10-26 698
审稿review
论文阅读《SepMark: Deep Separable Watermarking for Unified Source Tracing and Deepfake Detection》
2301_81845359的博客
09-09 1529
SepMark首次提出深度伪造主动取证方法；深度可分离水印方案
【论文阅读】Anti-Forgery: Towards a Stealthy and Robust DeepFake Disruption Attack viaAdversarial Percept
me_yundou的博客
11-07 1497
IJCAI 2022论文阅读，论文标题Anti-Forgery: Towards a Stealthy and Robust DeepFake Disruption Attack viaAdversarial Percept。本博客系博主根据个人理解所写，非逐字逐句翻译，预知详情，请参阅论文原文。
READ-2337 Defense against backdoor attack in federated learning
m0_51638853的博客
01-22 472
在收敛轮进行的攻击会直接影响全局模型，而在全局模型已中毒的情况下，全局模型的更新更接近于恶意客户端的更新的，与良性客户端更新的距离较远；在早期通信进行的攻击下，恶意模型在主任务和后门任务上的准确率都较低，因此难以从性能的角度检测后门。但是，由于在嵌入触发器前后，恶意神经元对同一张图像的表示不同，可以根据该现象判断恶意客户端。
规划前询问：现实世界规划的主动语言智体
yorkhunter的博客
08-14 957
24年6月来自国立新加坡大学的论文“Ask-before-Plan: Proactive Language Agents for Real-World Planning”。
【Dialog system】Prompting and Evaluating Large Language Models for Proactive Dialogues: Clarification
STAR GAME
10-17 1086
根据不同的应用，对话策略可以是粗的对话行为标签，也可以是细粒度的策略标签。其中，bargain price是卖方当前愿意出售该物品的价格，buyer target price是买房当前愿意购买该物品的价格，listed price是当前物品的标价。基于LLM的对话系统无法预测适当的谈判策略和对话行为。其中，D是背景信息，C是历史对话记录，A是可能的对话行为（例如，澄清问题或者直接回答）。基于LLM的对话系统在对话积极主动性方面存在局限性，不能对模棱两可的问题提出澄清、不能拒绝有问题的用户请求。
BackdoorIndicator: Leveraging OOD Data for Proactive Backdoor Detection in Federated Learning
Restart的博客
08-20 1021
BackdoorIndicator 建立在后续后门对先前后门的维持效果以及后门样本与目标类良性样本相比是 OOD 样本这一事实的基础上，利用 OOD 样本设计指标任务来识别和排除后门更新。
论文阅读：从单到多模态人脸深度假检测的发展综述Evolving from Single-modal to Multi-modal Facial Deepfake Detection: A Survey
m0_61565919的博客
01-01 982
这篇综述文章探讨了在人工智能快速发展背景下面临的面部深度伪造（Deepfake）检测的关键挑战。随着人工智能生成的媒体（包括视频、音频和文本）变得更加逼真，利用这些技术传播错误信息或实施身份欺诈的风险不断增加。本文聚焦于与人脸相关的深度伪造，梳理了从传统单模态检测方法到应对音视频及文本-视觉场景的复杂多模态检测方法的演变过程。
综述导读：Proactive Conversational AI: A Comprehensive Survey ofAdvancements and Opportunities
10-26
随着人工智能技术的不断进步，对话系统设计越来越注重于提供自然语言交互的用户体验，从而为人类用户提供社交支持或功能性服务。传统对话研究主要集中在系统对对话上下文的理解能力以及生成适当响应的能力上。...
主动对象管理实践：ProActive Examples存储库详解
- **本地测试**：描述还详细说明了本地测试流程，需要将生成的`proactive-examples.zip`文件解压到指定的`PA_SCHEDULER_HOME/samples/workflo`目录下，并通过ProActive Scheduler的本地分发机制进行测试。...
Python高性能Web爬虫与异步请求实战分享：大规模数据抓取与性能优化经验
2501_94114861的博客
11-23 248
异步协程和任务队列提高抓取并发和稳定性TCP 复用和压缩响应提升网络性能限速、重试机制保证长期稳定抓取异步存储与数据清洗保证数据准确性日志与监控快速发现并解决抓取异常Python 结合 asyncio、aiohttp 和异步存储，通过高并发抓取、异步任务调度和性能优化，为大规模数据采集提供了稳定、高效且可扩展的解决方案。
HarmonyOS性能优化
2509_93946285的博客
11-21 641
性能优化不是一蹴而就的，它是一个持续的过程，需要我们在开发的各个阶段都保持警惕。记住，一个好的应用，不仅仅是功能强大，更是流畅、稳定和省电的。自己申请的内存，打碎了牙也得记得自己释放，不然Native层的内存泄漏更隐蔽，更致命。使用对象池：对于需要频繁创建和销毁的对象（如列表项的数据模型），可以考虑使用对象池进行复用，减少GC的频率，保持内存曲线的平滑。能合并的请求就合并，能缓存的數據就缓存，减少不必要的轮询。传感器使用效率：使用传感器时，要选择合适的检测间隔，不需要时就及时注销监听。
拆解一个真实电商项目：微服务架构中的服务治理与性能优化
2501_93248842的博客
11-20 700
基于真实电商场景，深入解析微服务架构设计。涵盖Nacos服务治理、Ribbon负载均衡、分布式缓存等核心技术，剖析单体到分布式的演进逻辑。从架构演变到组件选型，从服务拆分到性能调优，讲解分布式系统设计中的常见问题与解决方案。
MySQL: 查询全流程深度解析与性能优化实践指南
Wang的专栏
11-20 1210
MySQL处理SQL查询的核心流程包括：查询缓存检查、SQL解析与预处理、优化器生成执行计划、数据获取等阶段。查询缓存通过哈希匹配SQL语句，但高并发下可能引发性能问题。优化器通过成本模型选择执行路径，但受统计信息偏差等因素影响。性能分析可使用Performance Schema监控各阶段耗时。针对大表操作，建议采用分批处理方式，如使用存储过程进行分批更新/删除，或借助pt-online-schema-change工具进行在线DDL变更。这些方法可有效降低对系统的影响，提高SQL执行效率。
iOS 性能优化的体系化方法论 从启动速度到渲染链路的多工具协同优化
2501_91373349的博客
11-19 706
系统化讲解 iOS 性能优化路径，结合 Instruments、KeyMob、PerfDog、Safari Inspector、Charles 与 MetricKit，构建从开发到上线的多工具协同性能优化体系。
Java高性能分布式任务调度与ZooKeeper实战分享：集群管理、故障恢复与性能优化经验
最新发布
2501_94180914的博客
11-23 279
异步执行与分布式协作保证高吞吐量线程池优化与批量任务提交提升并发处理能力任务去重与失败重试保证任务可靠性优先级与依赖管理支持复杂任务调度监控与告警机制确保系统稳定运行Java 结合 ZooKeeper，通过高性能分布式任务调度设计、异步处理和批量优化，为金融、电商和互联网系统提供了稳定、高效且可扩展的任务调度解决方案。
PGVector 检索性能优化完整指南
weixin_44984196的博客
11-21 1012
测试驱动：使用真实数据测试不同配置，关注 P99 延迟和召回率渐进优化：从默认参数开始，逐步调整关键参数监控先行：建立性能基准，持续监控查询延迟和索引使用混合架构：热数据用 HNSW，冷数据用 IVFFlat 或分区表事务级调优：对重要查询动态设置ef_search，平衡精度与性能通过以上优化策略，可在保持95% 以上召回率的同时，将查询延迟从秒级降至毫秒级，充分发挥 pgvector 与 PostgreSQL 生态融合的优势。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值