由于对各种图像变换具有很高的鲁棒性，因此尺度不变特征变换（SIFT）已广泛应用于许多计算机视觉和多媒体安全领域，以提取图像局部特征。 尽管已经从各种角度对SIFT进行了广泛研究，但是针对恶意攻击的安全性却很少得到解决。 在这项工作中，我们证明了可以有效地消除SIFT关键点，而不会在图像上造成严重的失真。 这可以通过将SIFT关键点移除公式化为约束优化问题来实现，在该问题中，对约束进行了精心设计，以抑制局部极值的存在并防止在比例空间中的局部长方体内生成新的关键点。 我们证明，理想情况下的这种优化问

尺度不变特征变换（SIFT）作为最流行的局部特征提取算法之一，已被广泛应用于许多计算机视觉和多媒体安全应用中。 尽管已从各种角度对SIFT进行了广泛研究，但很少讨论针对恶意攻击的安全性。 在本文中，我们表明可以有效消除SIFT关键点，并在处理后的图像上将失真降到最低。 SIFT关键点消除被公式化为一个约束优化问题，在该约束条件中，精心设计了约束以抑制局部极值的存在并防止在比例空间中的局部长方体内生成新的关键点。 为了隐藏执行SIFT关键点删除的痕迹，我们建议将大量伪造的SIFT关键点注入到先前清