딥 해싱은 압축된 바이너리 코드를 통해 검색 효율성을 향상시키지만, 심각하고 간과되는 개인 정보 위험을 초래합니다. 해시 코드로부터 원본 훈련 데이터를 재구성하는 능력은 생체 인식 위조 및 개인 정보 침해와 같은 심각한 위협으로 이어질 수 있습니다. 본 연구는 이러한 문제를 해결하기 위해 딥 해싱을 위한 최초의 확산 기반 모델 역전 프레임워크인 DHMI를 제안합니다. DHMI는 보조 데이터셋을 클러스터링하여 의미론적 해시 센터를 대리 앵커로 유도하고, 새로운 공격 지표(분류 일관성 및 해시 근접성 융합)를 활용하여 후보 샘플을 동적으로 선택하는 대리 안내 잡음 제거 최적화 방법을 도입합니다. 여러 데이터셋에 대한 실험 결과, DHMI는 훈련 해시 코드를 사용할 수 없는 가장 어려운 블랙 박스 설정에서도 고해상도, 고품질 이미지를 성공적으로 재구성했습니다.
