論文の概要: ProMark: Proactive Diffusion Watermarking for Causal Attribution

• arxiv url: http://arxiv.org/abs/2403.09914v1
• Date: Thu, 14 Mar 2024 23:16:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 20:56:05.885510
• Title: ProMark: Proactive Diffusion Watermarking for Causal Attribution
• Title（参考訳）: ProMark: 因果帰属のためのプロアクティブ拡散透かし
• Authors: Vishal Asnani, John Collomosse, Tu Bui, Xiaoming Liu, Shruti Agarwal,
• Abstract要約: 本稿では,因果帰属手法であるProMarkを提案する。 概念情報は、知覚不能な透かしを用いて入力訓練画像に積極的に埋め込まれる。 トレーニングデータに最大216ドルのユニークな透かしを埋め込むことができ、各トレーニング画像には複数の透かしが含まれています。
• 参考スコア（独自算出の注目度）: 25.773438257321793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI (GenAI) is transforming creative workflows through the capability to synthesize and manipulate images via high-level prompts. Yet creatives are not well supported to receive recognition or reward for the use of their content in GenAI training. To this end, we propose ProMark, a causal attribution technique to attribute a synthetically generated image to its training data concepts like objects, motifs, templates, artists, or styles. The concept information is proactively embedded into the input training images using imperceptible watermarks, and the diffusion models (unconditional or conditional) are trained to retain the corresponding watermarks in generated images. We show that we can embed as many as $2^{16}$ unique watermarks into the training data, and each training image can contain more than one watermark. ProMark can maintain image quality whilst outperforming correlation-based attribution. Finally, several qualitative examples are presented, providing the confidence that the presence of the watermark conveys a causative relationship between training data and synthetic images.
• Abstract（参考訳）: Generative AI(GenAI)は、高レベルのプロンプトを通じて画像を合成し、操作する機能を通じて、創造的なワークフローを変革している。 しかし、クリエイティビティは、GenAIトレーニングにおけるコンテンツの使用に対する認識や報酬を十分にサポートしていない。 そこで本研究では,オブジェクト,モチーフ,テンプレート,アーティスト,スタイルなどのトレーニングデータ概念に合成生成イメージを関連付ける因果属性技術であるProMarkを提案する。 概念情報は、知覚不能な透かしを用いて入力訓練画像に積極的に埋め込まれ、拡散モデル(無条件または条件)は、生成された画像に対応する透かしを保持するように訓練される。 トレーニングデータに最大2〜16ドルのユニークな透かしを埋め込むことができ、各トレーニング画像には複数の透かしが含まれていることを示す。 ProMarkは、相関ベースの属性よりも優れた画像品質を維持することができる。 最後に、いくつかの定性的な例を示し、透かしの存在が、トレーニングデータと合成画像の因果関係を伝達する自信を与える。

関連論文リスト

• Dynamic watermarks in images generated by diffusion models [46.1135899490656]
  高忠実度テキストから画像への拡散モデルが視覚コンテンツ生成に革命をもたらしたが、その普及は重大な倫理的懸念を提起している。 本稿では,拡散モデルのための新しい多段階透かしフレームワークを提案する。 我々の研究は、モデルオーナシップの検証と誤用防止のためのスケーラブルなソリューションを提供することで、AI生成コンテンツセキュリティの分野を前進させます。
  論文  参考訳（メタデータ） (2025-02-13T03:23:17Z)
• Image Watermarking of Generative Diffusion Models [42.982489491857145]
  拡散モデル自体に透かしの特徴を埋め込む透かし手法を提案する。 本手法は,エンド・ツー・エンド・エンド・プロセスで学習した生成モデルに対して,ペア型透かし抽出器の訓練を可能にする。 高精度な透かし埋め込み/検出を実証し,本手法に埋め込まれた異なる透かしを区別し,生成モデルの区別を行うことが可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-12T09:00:48Z)
• Spread them Apart: Towards Robust Watermarking of Generated Content [4.332441337407564]
  本稿では,生成したコンテンツに透かしを埋め込む手法を提案する。 埋め込みされた透かしは、境界等級の加法摂動に対して頑健であることを保証する。
  論文  参考訳（メタデータ） (2025-02-11T09:23:38Z)
• On the Coexistence and Ensembling of Watermarks [93.15379331904602]
  様々なオープンソースの透かしは、画像の品質と復号性に小さな影響しか与えない。 我々は、アンサンブルがメッセージ全体のキャパシティを向上し、基本モデルを再トレーニングすることなく、キャパシティ、正確性、堅牢性、画像品質の新たなトレードオフを可能にすることを示す。
  論文  参考訳（メタデータ） (2025-01-29T00:37:06Z)
• Watermarking Training Data of Music Generation Models [6.902279764206365]
  本研究では,音声透かし技術を用いてコンテンツの不正使用を検知する方法について検討する。 非透かしデータでトレーニングされたモデルと非透かしデータでトレーニングされたモデルで生成された出力を比較した。 以上の結果から,人間には認識できないものを含む音声透かし技術が,モデル出力の顕著な変化を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-12-11T17:10:44Z)
• A Training-Free Plug-and-Play Watermark Framework for Stable Diffusion [47.97443554073836]
  既存のアプローチには、トレーサビリティと責任帰属のために生成されたイメージに透かしを埋め込むためのトレーニングコンポーネントやSD全体が含まれる。 AI生成コンテンツ(AIGC)の時代において、SDの迅速なイテレーションは、ウォーターマークモデルによる再トレーニングをコストがかかる。 SDのためのトレーニング不要なプラグアンドプレイ透かしフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-08T15:29:46Z)
• RAW: A Robust and Agile Plug-and-Play Watermark Framework for AI-Generated Images with Provable Guarantees [33.61946642460661]
  本稿ではRAWと呼ばれる堅牢でアジャイルな透かし検出フレームワークを紹介する。 我々は、透かしの存在を検出するために、透かしと共同で訓練された分類器を用いる。 このフレームワークは,透かし画像の誤分類に対する偽陽性率に関する証明可能な保証を提供する。
  論文  参考訳（メタデータ） (2024-01-23T22:00:49Z)
• Catch You Everything Everywhere: Guarding Textual Inversion via Concept Watermarking [67.60174799881597]
  本稿では,透かし情報を対象概念に埋め込んで,その概念に基づいて生成された画像から抽出する新しい概念透かしを提案する。 実際には、コンセプトオーナは、自身のコンセプトを異なる透かし(e, serial number)をプラットフォームにアップロードすることができ、プラットフォームは異なるシリアル番号を、その後の追跡と法医学のために割り当てる。
  論文  参考訳（メタデータ） (2023-09-12T03:33:13Z)
• T2IW: Joint Text to Image & Watermark Generation [74.20148555503127]
  画像と透かし(T2IW)への共同テキスト生成のための新しいタスクを提案する。 このT2IWスキームは、意味的特徴と透かし信号が画素内で互換性を持つように強制することにより、複合画像を生成する際に、画像品質に最小限のダメージを与える。 提案手法により,画像品質,透かしの可視性,透かしの堅牢性などの顕著な成果が得られた。
  論文  参考訳（メタデータ） (2023-09-07T16:12:06Z)
• Watermarking Images in Self-Supervised Latent Spaces [75.99287942537138]
  我々は,自己教師型アプローチに照らして,事前学習した深層ネットワークに基づく透かし手法を再検討する。 我々は、マーク時間におけるデータの増大を利用して、マークとバイナリのメッセージをその潜在空間に埋め込む方法を提案する。
  論文  参考訳（メタデータ） (2021-12-17T15:52:46Z)

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。