Still There, No Longer Seen: Exposing Compression-Induced Risk in Large Vision-Language Models
该论文关注大型视觉语言模型（LVLM）在推理加速中被广泛采用的视觉 token 压缩技术所引入的安全盲区。压缩能显著降低推理成本，但现有鲁棒性评估多用聚合指标，无法回答一个关键归因问题：某次对抗性失败究竟是由压缩过程新增的，还是原本就继承自
#vision-language-model
共收录 13 条相关情报。
← 返回所有主题MAD-Guard: Controlled Study of Autoregressive Generation versus Direct Decision Interfaces for Closed Multimodal Forensic Tasks
该论文提出 MAD-Guard，一个针对封闭式多模态取证任务的输出-决策接口受控研究框架，核心问题是：当多模态表示已经计算完成后，对于“输入复杂度高、输出熵低”的封闭取证判定（如真伪二分类），是否仍有必要进行自回归生成？作者在匹配的 Qwe
Through Human Eyes and Machine Eyes: Understanding View Mismatch in Video See-Through Extended Reality
该论文研究视频透视扩展现实（Video See-Through XR, VST XR）系统中长期被忽视的“人机视图错位”问题。研究背景是：当前大量 VST XR 应用（尤其是集成视觉语言模型 VLM 的智能助手、场景理解、无障碍辅助系统）习
TraceGuard: Adaptive Multimodal Poison Filtering through Cross-Feature Rank Agreement
该论文关注多模态训练数据投毒这一供应链安全问题。多模态模型依赖从外部渠道收集的图像-文本语料，攻击者可在其中注入经过精心构造的样本：这些样本本身看起来是合理的图文对，不暴露检测器所依赖的异常特征，因此表面干净的数据仍可能在训练后把模型行为导
Robot Visions: Breaking reCAPTCHA at Zero Cost and Zero Shot
该论文系统评估了 Google reCAPTCHA 视觉挑战在当前开源本地模型能力下的可破解程度，作者为 Suphannee Sivakorn 与 Samantha Gottlieb。研究背景是：reCAPTCHA 自 2007 年推出以来
CAPTCHAs in the Agentic Era: Solvers That Learn from Every Encounter
随着基于大语言模型（LLM）的智能代理（Agent）逐步渗透网络应用，视觉验证码正面临一种新的机械化威胁。以往专用检测器很慢或只处理固定类别，而视觉语言模型（VLM）能类人地看图识字，但每轮都从零开始推理，并不会从接触中积累经验。本论文提出
Privacy Preserving Semantic Communications in Wireless Edge Networks with Vision Language Models
本文针对无线边缘网络中语义通信的隐私泄露问题，提出了一种基于视觉语言模型（VLM）的隐私保护语义通信框架。传统语义通信通过传输高层语义特征而非原始比特来提升频谱效率，但多设备协作和跨模态传输会通过设备间语义融合和跨模态表示泄露敏感信息。为此
Model Confidence Under Answer-Preserving Attacks: An Informativeness-Manipulability Frontier
该论文研究视觉语言系统（VLM）在基于答案保留的攻击下置信度读数的鲁棒性。作者提出一个信息性-可操作性边界（informativeness-manipulability frontier），用于刻画攻击者在保持生成答案逐字节不变的前提下，能
Recover, Decode, Reguard: Guard-Agnostic Defense Amplification againstEncoded VLM Jailbreaks
该论文针对视觉语言模型（VLM）的安全防御问题，指出现有安全分类器（guard）作为主要黑盒防御手段，仅审查输入的表面形式而忽略其语义，导致恶意请求可以通过集合论、形式逻辑、罕见语言、代码或文本图像等编码方式绕过guard，形成“解码差距”
Development of Vision-Language Model-based GNSS Spoofing Detection for Autonomous Vehicle Navigation
该论文针对自动驾驶汽车（AV）依赖全球导航卫星系统（GNSS）进行定位和导航，易受欺骗攻击（如轨迹重定向、急停等）的问题，提出了首个基于视觉-语言模型（VLM）的GNSS欺骗检测框架。方法创新地融合了前置摄像头视觉数据与车载传感器读数（速度
DE-FIVE: Detecting Malicious Image Prompts via Fourier Features and Image Vector Embeddings
本文提出 DE-FIVE，一种无需重新训练的全新框架，用于检测针对视觉语言模型（VLM）的恶意图像提示。VLM 结合视觉和文本模态，但视觉模态的引入扩大了攻击面，例如对抗扰动和间接提示注入攻击，这些攻击通过精心构造的恶意图像提示诱导模型产生
A Cross-Modal Prompt Injection Attack against Large Vision-Language Models with Image-Only Perturbation
本文提出一种针对大型视觉语言模型（LVLMs）的新型跨模态提示注入攻击方法CrossMPI。传统提示注入攻击通常局限于单一模态（如仅文本或仅图像），无法实现跨模态的提示扰动，即注入的提示只能影响模型对单一输入的解释。CrossMPI通过图像
ViGText: Deepfake Image Detection with Vision-Language Model Explanations and Graph Neural Networks.
随着深度伪造技术的快速发展，生成逼真的虚假数字内容对媒体真实性构成严重威胁。传统的深度伪造检测方法在面对定制化、复杂的深度伪造时，泛化能力和鲁棒性往往不足。本文提出了一种名为ViGText的新方法，该方法创新地将图像与视觉大语言模型（VLL