Buchumschlag

Self-adaptive Dataset Construction for Real-World Multimodal Safety Scenarios

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Qu, Jingen, Li, Lijun, Zhang, Bo, Yan, Yichen, Shao, Jing
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Computation and Language Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Contextual Image Attack: How Visual Context Exposes Multimodal Safety Vulnerabilities
von: Xiong, Yuan, et al.
Veröffentlicht: (2025)

Rethinking Bottlenecks in Safety Fine-Tuning of Vision Language Models
von: Ding, Yi, et al.
Veröffentlicht: (2025)

Visual Contextual Attack: Jailbreaking MLLMs with Image-Driven Context Injection
von: Miao, Ziqi, et al.
Veröffentlicht: (2025)

VLSBench: Unveiling Visual Leakage in Multimodal Safety
von: Hu, Xuhao, et al.
Veröffentlicht: (2024)

DeepSight: An All-in-One LM Safety Toolkit
von: Zhang, Bo, et al.
Veröffentlicht: (2026)

Evolving Contextual Safety in Multi-Modal Large Language Models via Inference-Time Self-Reflective Memory
von: Zhang, Ce, et al.
Veröffentlicht: (2026)

MLLM-Protector: Ensuring MLLM's Safety without Hurting Performance
von: Pi, Renjie, et al.
Veröffentlicht: (2024)

SafeGRPO: Self-Rewarded Multimodal Safety Alignment via Rule-Governed Policy Optimization
von: Rong, Xuankun, et al.
Veröffentlicht: (2025)

CIS-BA: Continuous Interaction Space Based Backdoor Attack for Object Detection in the Real-World
von: Zhao, Shuxin, et al.
Veröffentlicht: (2025)

Iteratively Prompting Multimodal LLMs to Reproduce Natural and AI-Generated Images
von: Naseh, Ali, et al.
Veröffentlicht: (2024)

Safety at Scale: A Comprehensive Survey of Large Model and Agent Safety
von: Ma, Xingjun, et al.
Veröffentlicht: (2025)

UnsafeBench: Benchmarking Image Safety Classifiers on Real-World and AI-Generated Images
von: Qu, Yiting, et al.
Veröffentlicht: (2024)

Efficient Backdoor Attacks for Deep Neural Networks in Real-world Scenarios
von: Li, Ziqiang, et al.
Veröffentlicht: (2023)

Dissecting Adversarial Robustness of Multimodal LM Agents
von: Wu, Chen Henry, et al.
Veröffentlicht: (2024)

Are GUI Agents Focused Enough? Automated Distraction via Semantic-level UI Element Injection
von: Yang, Wenkui, et al.
Veröffentlicht: (2026)

X-Boundary: Establishing Exact Safety Boundary to Shield LLMs from Multi-Turn Jailbreaks without Compromising Usability
von: Lu, Xiaoya, et al.
Veröffentlicht: (2025)

SlowBA: An efficiency backdoor attack towards VLM-based GUI agents
von: Li, Junxian, et al.
Veröffentlicht: (2026)

Benchmarking Large Multimodal Models against Common Corruptions
von: Zhang, Jiawei, et al.
Veröffentlicht: (2024)

IAG: Input-aware Backdoor Attack on VLM-based Visual Grounding
von: Li, Junxian, et al.
Veröffentlicht: (2025)

Image-Based Geolocation Using Large Vision-Language Models
von: Liu, Yi, et al.
Veröffentlicht: (2024)

When Think-with-Image Meets Safety: What Determines Multimodal Jailbreak Robustness?
von: Tian, Yuan, et al.
Veröffentlicht: (2026)

AgentDoG 1.5: A Lightweight and Scalable Alignment Framework for AI Agent Safety and Security
von: Liu, Dongrui, et al.
Veröffentlicht: (2026)

Jailbreaking Attack against Multimodal Large Language Model
von: Niu, Zhenxing, et al.
Veröffentlicht: (2024)

A Survey of Safety on Large Vision-Language Models: Attacks, Defenses and Evaluations
von: Ye, Mang, et al.
Veröffentlicht: (2025)

Privacy-Preserving Federated Learning with Verifiable Fairness Guarantees
von: Ali, Mohammed Himayath, et al.
Veröffentlicht: (2026)

Generating Synthetic Data with Formal Privacy Guarantees: State of the Art and the Road Ahead
von: Schlegel, Viktor, et al.
Veröffentlicht: (2025)

Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector
von: Huang, Youcheng, et al.
Veröffentlicht: (2024)

Are Vision-Language Models Safe in the Wild? A Meme-Based Benchmark Study
von: Lee, DongGeon, et al.
Veröffentlicht: (2025)

Doubly-Universal Adversarial Perturbations: Deceiving Vision-Language Models Across Both Images and Text with a Single Perturbation
von: Kim, Hee-Seon, et al.
Veröffentlicht: (2024)

BSPA: Exploring Black-box Stealthy Prompt Attacks against Image Generators
von: Tian, Yu, et al.
Veröffentlicht: (2024)

DAVSP: Safety Alignment for Large Vision-Language Models via Deep Aligned Visual Safety Prompt
von: Zhang, Yitong, et al.
Veröffentlicht: (2025)

PII-VisBench: Evaluating Personally Identifiable Information Safety in Vision Language Models Along a Continuum of Visibility
von: Shahariar, G M, et al.
Veröffentlicht: (2026)

The Safety Reminder: A Soft Prompt to Reactivate Delayed Safety Awareness in Vision-Language Models
von: Tang, Peiyuan, et al.
Veröffentlicht: (2025)

InverTune: Removing Backdoors from Multimodal Contrastive Learning Models via Trigger Inversion and Activation Tuning
von: Sun, Mengyuan, et al.
Veröffentlicht: (2025)

BodhiPromptShield: Pre-Inference Prompt Mediation for Suppressing Privacy Propagation in LLM/VLM Agents
von: Ma, Bo, et al.
Veröffentlicht: (2026)

Towards Physical World Backdoor Attacks against Skeleton Action Recognition
von: Zheng, Qichen, et al.
Veröffentlicht: (2024)

Few-Shot Adversarial Prompt Learning on Vision-Language Models
von: Zhou, Yiwei, et al.
Veröffentlicht: (2024)

Bodhi VLM: Privacy-Alignment Modeling for Hierarchical Visual Representations in Vision Backbones and VLM Encoders via Bottom-Up and Top-Down Feature Search
von: Ma, Bo, et al.
Veröffentlicht: (2026)

REAEDP: Entropy-Calibrated Differentially Private Data Release with Formal Guarantees and Attack-Based Evaluation
von: Ma, Bo, et al.
Veröffentlicht: (2026)

SemDP: Semantic-level Differential Privacy Protection for Face Datasets
von: Zhang, Xiaoting, et al.
Veröffentlicht: (2024)