論文の概要: Attributing Image Generative Models using Latent Fingerprints
- arxiv url: http://arxiv.org/abs/2304.09752v2
- Date: Fri, 26 May 2023 23:25:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 00:49:47.830417
- Title: Attributing Image Generative Models using Latent Fingerprints
- Title(参考訳): 潜在指紋を用いた画像生成モデルの作成
- Authors: Guangyu Nie, Changhoon Kim, Yezhou Yang, Yi Ren
- Abstract要約: 生成モデルにより、自然から取られたものと区別できないコンテンツの作成が可能になった。
リスク軽減戦略の1つは、指紋認証による生成モデルの属性付けである。
本稿では,指紋としての潜在意味論の活用について検討する。
- 参考スコア(独自算出の注目度): 33.037718660732544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models have enabled the creation of contents that are
indistinguishable from those taken from nature. Open-source development of such
models raised concerns about the risks of their misuse for malicious purposes.
One potential risk mitigation strategy is to attribute generative models via
fingerprinting. Current fingerprinting methods exhibit a significant tradeoff
between robust attribution accuracy and generation quality while lacking design
principles to improve this tradeoff. This paper investigates the use of latent
semantic dimensions as fingerprints, from where we can analyze the effects of
design variables, including the choice of fingerprinting dimensions, strength,
and capacity, on the accuracy-quality tradeoff. Compared with previous SOTA,
our method requires minimum computation and is more applicable to large-scale
models. We use StyleGAN2 and the latent diffusion model to demonstrate the
efficacy of our method.
- Abstract(参考訳): 生成モデルは、自然から取られたものと区別できないコンテンツの作成を可能にした。
このようなモデルのオープンソース開発は、悪意のある目的のために誤用されるリスクに関する懸念を引き起こした。
潜在的なリスク軽減戦略の1つは、指紋による生成モデルの解析である。
現在のフィンガープリント法は、このトレードオフを改善するための設計原則を欠きながら、ロバストな帰属精度と生成品質の間に大きなトレードオフを示す。
本稿では,指紋としての潜在意味寸法の使用について検討し,指紋の寸法,強度,キャパシティなどの設計変数が精度と品質のトレードオフに与える影響について検討する。
従来の sota と比較して,本手法は最小計算を必要とせず,大規模モデルにも適用可能である。
提案手法の有効性を示すために,StyleGAN2と潜在拡散モデルを用いた。
関連論文リスト
- ManiFPT: Defining and Analyzing Fingerprints of Generative Models [16.710998621718193]
生成モデルにおけるアーティファクトと指紋の定義を形式化する。
我々は実際にそれらを計算するためのアルゴリズムを提案する。
指紋の構造について検討し,異なる設計選択が生成過程に与える影響を非常に予測できることを示した。
論文 参考訳(メタデータ) (2024-02-16T01:58:35Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent
Diffusion Model [61.53213964333474]
本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。
具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。
設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
論文 参考訳(メタデータ) (2023-12-18T15:25:23Z) - WOUAF: Weight Modulation for User Attribution and Fingerprinting in
Text-to-Image Diffusion Models [34.64349387422059]
本稿では,生成画像に責任を負うモデルフィンガープリントの新たなアプローチを提案する。
提案手法は,ユーザ固有のデジタル指紋に基づいて生成モデルを修正し,ユーザへ遡ることができるコンテンツにユニークな識別子を印字する。
論文 参考訳(メタデータ) (2023-06-07T19:44:14Z) - NaturalFinger: Generating Natural Fingerprint with Generative
Adversarial Networks [4.536351805614037]
本稿では,GANを用いた自然な指紋を生成するNaturalFingerを提案する。
提案手法はFingerBenchデータセット(154モデル)で0.91ARUC値を達成し,最適ベースライン(MetaV)を17%以上越えた。
論文 参考訳(メタデータ) (2023-05-29T03:17:03Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - Learning Robust Representations Of Generative Models Using Set-Based
Artificial Fingerprints [14.191129493685212]
既存の手法はサンプル分布を通してモデル間の距離を近似する。
我々は、生成モデルの表現として、ユニークな痕跡(いわゆる「人工指紋」)を考える。
セットエンコーディングとコントラスト学習に基づく新しい学習手法を提案する。
論文 参考訳(メタデータ) (2022-06-04T23:20:07Z) - High-Robustness, Low-Transferability Fingerprinting of Neural Networks [78.2527498858308]
本稿では,ディープニューラルネットワークを効果的にフィンガープリントするための特性例を提案する。
モデルプルーニングに対するベースモデルへの高いロバスト性、無関係モデルへの低透過性などが特徴である。
論文 参考訳(メタデータ) (2021-05-14T21:48:23Z) - Responsible Disclosure of Generative Models Using Scalable
Fingerprinting [70.81987741132451]
深層生成モデルは質的に新しいパフォーマンスレベルを達成した。
この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。
最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
論文 参考訳(メタデータ) (2020-12-16T03:51:54Z) - Artificial Fingerprinting for Generative Models: Rooting Deepfake
Attribution in Training Data [64.65952078807086]
光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。
しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。
我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
論文 参考訳(メタデータ) (2020-07-16T16:49:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。