論文の概要: Image Copy Detection for Diffusion Models

• arxiv url: http://arxiv.org/abs/2409.19952v1
• Date: Mon, 30 Sep 2024 05:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:03:54.577571
• Title: Image Copy Detection for Diffusion Models
• Title（参考訳）: 拡散モデルのための画像コピー検出
• Authors: Wenhao Wang, Yifan Sun, Zhentao Tan, Yi Yang,
• Abstract要約: Diffusion-Replication (D-Rep)は40,000のイメージ-レプリカのデータセットである。 D-Repは最先端拡散モデル(Stable Diffusion V1.5)を使用して40,000の画像-レプリカペアを生成する。 本手法は,各画像複製ペアの複製レベルを,教師信号として確率密度関数(PDF)に変換する。
• 参考スコア（独自算出の注目度）: 26.3844038970258
• License:
• Abstract: Images produced by diffusion models are increasingly popular in digital artwork and visual marketing. However, such generated images might replicate content from existing ones and pose the challenge of content originality. Existing Image Copy Detection (ICD) models, though accurate in detecting hand-crafted replicas, overlook the challenge from diffusion models. This motivates us to introduce ICDiff, the first ICD specialized for diffusion models. To this end, we construct a Diffusion-Replication (D-Rep) dataset and correspondingly propose a novel deep embedding method. D-Rep uses a state-of-the-art diffusion model (Stable Diffusion V1.5) to generate 40, 000 image-replica pairs, which are manually annotated into 6 replication levels ranging from 0 (no replication) to 5 (total replication). Our method, PDF-Embedding, transforms the replication level of each image-replica pair into a probability density function (PDF) as the supervision signal. The intuition is that the probability of neighboring replication levels should be continuous and smooth. Experimental results show that PDF-Embedding surpasses protocol-driven methods and non-PDF choices on the D-Rep test set. Moreover, by utilizing PDF-Embedding, we find that the replication ratios of well-known diffusion models against an open-source gallery range from 10% to 20%.
• Abstract（参考訳）: 拡散モデルによって生成された画像は、デジタルアートワークやビジュアルマーケティングでますます人気がある。 しかし、そのような生成された画像は、既存のものからのコンテンツを複製し、コンテンツの独創性に挑戦する可能性がある。 既存の画像コピー検出(ICD)モデルは手作りのレプリカの検出には正確だが、拡散モデルから課題を見落としている。 これは拡散モデルに特化した最初のICDであるICDiffの導入を動機付けます。 この目的のために,拡散複製(D-Rep)データセットを構築し,それに対応する新しい深層埋め込み手法を提案する。 D-Repは最先端拡散モデル(Stable Diffusion V1.5)を使用して40,000のイメージ-レプリカペアを生成する。 本手法は,各画像複製ペアの複製レベルを,教師信号として確率密度関数(PDF)に変換する。 直感的には、隣り合う複製レベルの確率は連続的で滑らかであるべきである。 実験の結果,D-Rep テストセット上での PDF-Embedding はプロトコル駆動方式や非PDF選択を超越していることがわかった。 さらに,PDF-Embeddingを用いて,オープンソースギャラリーに対する拡散モデルの複製率は10%から20%であることがわかった。

関連論文リスト

• Selective Hourglass Mapping for Universal Image Restoration Based on Diffusion Model [36.57703763466984]
  そこで我々は拡散モデルDiffUIRに基づく高度な時間ガラスマッピング戦略を提案する。 5つの画像復元タスク、22のベンチマーク、ゼロショットの一般化設定で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-17T09:41:20Z)
• One-step Diffusion with Distribution Matching Distillation [50.45103465564635]
  本稿では,拡散モデルを1ステップ画像生成器に変換する手法である分散マッチング蒸留(DMD)を紹介する。 約KLの発散を最小化することにより,拡散モデルと分布レベルで一致した一段階画像生成装置を強制する。 提案手法は,イメージネット64x64では2.62 FID,ゼロショットCOCO-30kでは11.49 FIDに到達した。
  論文  参考訳（メタデータ） (2023-11-30T18:59:20Z)
• Mitigate Replication and Copying in Diffusion Models with Generalized Caption and Dual Fusion Enhancement [7.9911486976035215]
  本稿では,キャプションの一般性を測定し,大言語モデル(LLM)を用いてトレーニングキャプションを一般化する一般化スコアを提案する。 一般化キャプションを活用し,拡散モデルの複製を緩和する新しい二重核融合拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-09-13T18:43:13Z)
• Understanding and Mitigating Copying in Diffusion Models [53.03978584040557]
  安定拡散のような拡散モデルによって生成される画像は、ますます広まっている。 最近の研究や訴訟でも、これらのモデルがトレーニングデータを複製する傾向にあることが示されている。
  論文  参考訳（メタデータ） (2023-05-31T17:58:02Z)
• 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)
• Diffusion Art or Digital Forgery? Investigating Data Replication in Diffusion Models [53.03978584040557]
  生成した画像とトレーニングサンプルを比較し、コンテンツが複製されたことを検知する画像検索フレームワークについて検討する。 フレームワークをオックスフォード花、Celeb-A、ImageNet、LAIONなど複数のデータセットでトレーニングされた拡散モデルに適用することにより、トレーニングセットのサイズがコンテンツ複製の速度にどのように影響するかを議論する。
  論文  参考訳（メタデータ） (2022-12-07T18:58:02Z)
• SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
  SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。 SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。 第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
  論文  参考訳（メタデータ） (2022-11-22T18:00:03Z)
• On Distillation of Guided Diffusion Models [94.95228078141626]
  そこで本研究では,分類器を含まない誘導拡散モデルから抽出し易いモデルへ抽出する手法を提案する。 画素空間上で訓練された標準拡散モデルに対して,本手法は元のモデルに匹敵する画像を生成することができる。 遅延空間で訓練された拡散モデル(例えば、安定拡散)に対して、我々の手法は1から4段階のデノナイジングステップで高忠実度画像を生成することができる。
  論文  参考訳（メタデータ） (2022-10-06T18:03:56Z)

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。