論文の概要: Intellectual Property Protection of Diffusion Models via the Watermark
Diffusion Process
- arxiv url: http://arxiv.org/abs/2306.03436v2
- Date: Wed, 29 Nov 2023 14:10:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 03:49:59.637767
- Title: Intellectual Property Protection of Diffusion Models via the Watermark
Diffusion Process
- Title(参考訳): 透かし拡散過程による拡散モデルの知的財産保護
- Authors: Sen Peng, Yufei Chen, Cong Wang, Xiaohua Jia
- Abstract要約: 本稿では,タスク生成時に透かしを印字せずに拡散モデルに新しい透かし手法であるWDMを紹介する。
タスク生成のための標準的な拡散プロセスと並行して、透かしを埋め込むための透かし拡散プロセス(WDP)を同時に学習するモデルを訓練する。
- 参考スコア(独自算出の注目度): 22.38407658885059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models have rapidly become a vital part of deep generative
architectures, given today's increasing demands. Obtaining large,
high-performance diffusion models demands significant resources, highlighting
their importance as intellectual property worth protecting. However, existing
watermarking techniques for ownership verification are insufficient when
applied to diffusion models. Very recent research in watermarking diffusion
models either exposes watermarks during task generation, which harms the
imperceptibility, or is developed for conditional diffusion models that require
prompts to trigger the watermark. This paper introduces WDM, a novel
watermarking solution for diffusion models without imprinting the watermark
during task generation. It involves training a model to concurrently learn a
Watermark Diffusion Process (WDP) for embedding watermarks alongside the
standard diffusion process for task generation. We provide a detailed
theoretical analysis of WDP training and sampling, relating it to a shifted
Gaussian diffusion process via the same reverse noise. Extensive experiments
are conducted to validate the effectiveness and robustness of our approach in
various trigger and watermark data configurations.
- Abstract(参考訳): 拡散モデルは、今日の需要の増加を考えると、急速に深層生成アーキテクチャーの重要な部分となっている。
大規模で高性能な拡散モデルを持つことは、保護に値する知的財産としての重要性を強調し、重要な資源を必要とする。
しかし,拡散モデルに適用した場合,既存の所有権検証のための透かし技術は不十分である。
ウォーターマーク拡散モデルに関する最近の研究は、タスク生成中にウォーターマークを公開するか、あるいはウォーターマークをトリガーするプロンプトを必要とする条件付き拡散モデルのために開発されている。
本稿では,タスク生成時に透かしを印字せずに拡散モデルに新しい透かし手法であるWDMを紹介する。
タスク生成のための標準的な拡散プロセスと並行して、透かしを埋め込むための透かし拡散プロセス(WDP)を同時に学習するモデルを訓練する。
我々は,wdpトレーニングとサンプリングの詳細な理論的解析を行い,同じ逆雑音によるガウス拡散過程と関連づけた。
各種トリガおよび透かしデータ構成におけるアプローチの有効性とロバスト性を検証するため,大規模な実験を行った。
関連論文リスト
- DiffuseTrace: A Transparent and Flexible Watermarking Scheme for Latent Diffusion Model [15.982765272033058]
潜在拡散モデル(LDM)は幅広い応用を可能にするが、違法利用に関する倫理的懸念を提起する。
DiffuseTraceと呼ばれる新しいテクニックは、すべての生成された画像に見えない透かしを埋め込んで、将来的な検出を意味づける。
論文 参考訳(メタデータ) (2024-05-04T15:32:57Z) - Gaussian Shading: Provable Performance-Lossless Image Watermarking for Diffusion Models [71.13610023354967]
著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。
本研究では,性能ロスレスかつトレーニング不要な拡散モデル透かし手法を提案する。
論文 参考訳(メタデータ) (2024-04-07T13:30:10Z) - A Watermark-Conditioned Diffusion Model for IP Protection [31.969286898467985]
拡散モデルにおけるコンテンツ著作権保護のための統一的な透かしフレームワークを提案する。
そこで我々はWaDiffと呼ばれるWadmark条件付き拡散モデルを提案する。
本手法は,検出タスクと所有者識別タスクの両方において有効かつ堅牢である。
論文 参考訳(メタデータ) (2024-03-16T11:08:15Z) - Wide Flat Minimum Watermarking for Robust Ownership Verification of GANs [23.639074918667625]
ホワイトボックス攻撃に対するロバスト性を向上したGANのための新しいマルチビット・ボックスフリー透かし手法を提案する。
透かしは、GANトレーニング中に余分な透かし損失項を追加することで埋め込む。
その結果,透かしの存在が画像の品質に与える影響は無視できることがわかった。
論文 参考訳(メタデータ) (2023-10-25T18:38:10Z) - Invisible Watermarking for Audio Generation Diffusion Models [11.901028740065662]
本稿では,メル-スペクトログラムで学習した音声拡散モデルに適用した最初の透かし手法を提案する。
我々のモデルは、良質な音声生成だけでなく、モデル検証のための目に見えない透かしトリガー機構も備えている。
論文 参考訳(メタデータ) (2023-09-22T20:10:46Z) - Unbiased Watermark for Large Language Models [67.43415395591221]
本研究では, モデル生成出力の品質に及ぼす透かしの影響について検討した。
出力確率分布に影響を与えることなく、透かしを統合することができる。
ウォーターマークの存在は、下流タスクにおけるモデルの性能を損なうものではない。
論文 参考訳(メタデータ) (2023-09-22T12:46:38Z) - Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。
安全で堅牢なバックドア型透かし注入法を提案する。
我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
論文 参考訳(メタデータ) (2023-09-04T19:58:35Z) - Diffusion Models as Masked Autoencoders [52.442717717898056]
拡散モデルに対する近年の関心を踏まえて、生成的に事前学習された視覚表現を再考する。
拡散モデルによる直接事前学習では強い表現は得られないが、マスク付き入力上での拡散モデルと公式拡散モデルをマスク付きオートエンコーダ(DiffMAE)として条件付ける。
設計選択の長所と短所について包括的な研究を行い、拡散モデルとマスク付きオートエンコーダ間の接続を構築する。
論文 参考訳(メタデータ) (2023-04-06T17:59:56Z) - DIRE for Diffusion-Generated Image Detection [128.95822613047298]
拡散再構成誤り(DIRE)という新しい表現を提案する。
DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。
DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
論文 参考訳(メタデータ) (2023-03-16T13:15:03Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳(メタデータ) (2022-09-06T16:56:21Z)
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。