論文の概要: Image Copy Detection for Diffusion Models

• arxiv url: http://arxiv.org/abs/2409.19952v2
• Date: Wed, 2 Oct 2024 15:26:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 16:37:45.622169
• 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: http://creativecommons.org/licenses/by-nc-sa/4.0/
• 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%. The project is publicly available at https://icdiff.github.io/.
• 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。 このプロジェクトはhttps://icdiff.github.io/.comで公開されている。

関連論文リスト

• Blind Image Restoration via Fast Diffusion Inversion [17.139433082780037]
  Blind Image Restoration via fast Diffusion (BIRD) は、劣化モデルパラメータと復元画像の協調最適化を行うブラインド赤外線法である。 提案手法の鍵となる考え方は、初期ノイズがサンプリングされると、逆サンプリングを変更すること、すなわち、中間潜水剤を全て変更しないことである。 画像復元作業におけるBIRDの有効性を実験的に検証し,それらすべてに対して,その成果が得られたことを示す。
  論文  参考訳（メタデータ） (2024-05-29T23:38:12Z)
• 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 [54.723565605974294]
  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)
• Reverse Stable Diffusion: What prompt was used to generate this image? [73.10116197883303]
  本研究では, 生成拡散モデルにより生成された画像に対して, 迅速な埋め込みを予測できる課題について検討する。 本稿では,複数ラベルの語彙分類を目的とする共同学習フレームワークを提案する。 我々はDiffusionDBデータセットの実験を行い、安定拡散によって生成された画像からテキストプロンプトを予測する。
  論文  参考訳（メタデータ） (2023-08-02T23:39:29Z)
• DIAGNOSIS: Detecting Unauthorized Data Usages in Text-to-image Diffusion Models [79.71665540122498]
  保護されたデータセットにインジェクトされたコンテンツを配置することで、不正なデータ利用を検出する手法を提案する。 具体的には、ステルス画像ワープ機能を用いて、これらの画像にユニークな内容を追加することにより、保護された画像を修正する。 このモデルが注入されたコンテンツを記憶したかどうかを解析することにより、不正に不正に使用したモデルを検出することができる。
  論文  参考訳（メタデータ） (2023-07-06T16:27:39Z)
• 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)
• On the De-duplication of LAION-2B [4.626261940793027]
  本稿では,効率的な重複検出を実現するアルゴリズムチェーンを提案する。 我々のアプローチでは、LAION-2Bの画像のうち約7億枚、約30%が重複している可能性が示されている。
  論文  参考訳（メタデータ） (2023-03-17T17:39:06Z)
• 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)

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。