論文の概要: SAT-LDM: Provably Generalizable Image Watermarking for Latent Diffusion Models with Self-Augmented Training

• arxiv url: http://arxiv.org/abs/2501.00463v2
• Date: Mon, 17 Feb 2025 10:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:06:29.424854
• Title: SAT-LDM: Provably Generalizable Image Watermarking for Latent Diffusion Models with Self-Augmented Training
• Title（参考訳）: SAT-LDM:自己増強訓練による潜時拡散モデルのための一般化可能な画像透かし
• Authors: Lu Zhang, Liang Zeng,
• Abstract要約: 本稿では,遅延拡散モデルのための新しい一般化可能な画像透かし手法を提案する。 提案手法は, 学習段階と試験段階を自由生成分布で整列し, 透かしモジュールの一般化能力を向上する。
• 参考スコア（独自算出の注目度）: 5.843685166920157
• License:
• Abstract: The rapid proliferation of AI-generated images necessitates effective watermarking techniques to protect intellectual property and detect fraudulent content. While existing training-based watermarking methods show promise, they often struggle with generalizing across diverse prompts and tend to introduce visible artifacts. To this end, we propose a novel, provably generalizable image watermarking approach for Latent Diffusion Models, termed Self-Augmented Training (SAT-LDM). Our method aligns the training and testing phases through a free generation distribution, thereby enhancing the watermarking module's generalization capabilities. We theoretically consolidate SAT-LDM by proving that the free generation distribution contributes to its tight generalization bound, without the need for additional data collection. Extensive experiments show that SAT-LDM not only achieves robust watermarking but also significantly improves the quality of watermarked images across a wide range of prompts. Moreover, our experimental analyses confirm the strong generalization abilities of SAT-LDM. We hope that our method provides a practical and efficient solution for securing high-fidelity AI-generated content.
• Abstract（参考訳）: AI生成画像の急速な拡散は、知的財産を保護し、不正なコンテンツを検出するために効果的な透かし技術を必要とする。 既存のトレーニングベースの透かし手法は将来性を示すが、様々なプロンプトをまたいだ一般化に苦慮し、目に見えるアーティファクトを導入する傾向がある。 そこで本研究では, 自己拡張訓練(SAT-LDM)と呼ばれる遅延拡散モデルに対して, 有効に一般化可能な画像透かし手法を提案する。 提案手法は, 学習段階と試験段階を自由生成分布で整列し, 透かしモジュールの一般化能力を向上する。 我々はSAT-LDMを理論的に統合し、データ収集を必要とせず、自由生成分布がその厳密な一般化限界に寄与することを証明した。 広範な実験によりSAT-LDMは強靭な透かしだけでなく、幅広いプロンプトで透かし画像の品質を大幅に向上させることが示された。 さらに,SAT-LDMの強い一般化能力について実験的に検証した。 我々は,高忠実度AI生成コンテンツを確保するために,本手法が実用的で効率的なソリューションを提供することを期待している。

関連論文リスト

• SWA-LDM: Toward Stealthy Watermarks for Latent Diffusion Models [11.906245347904289]
  埋め込みプロセスのランダム化によって透かしを強化する新しい手法であるSWA-LDMを紹介する。 提案する透かし攻撃は,既存の潜水式透かし法の本質的脆弱性を明らかにする。 この研究は、LDM生成画像の不正使用に対する保護に向けた重要なステップである。
  論文  参考訳（メタデータ） (2025-02-14T16:55:45Z)
• FAMSeC: A Few-shot-sample-based General AI-generated Image Detection Method [26.08924851795572]
  本稿では,LoRAをベースとしたForgery Awareness ModuleとSemantic特徴誘導型コントラスト学習戦略に基づく汎用AI生成画像検出手法であるFAMSeCを提案する。 実験によると、FAMSeCは最先端の手法より優れており、トレーニングサンプルの0.56%で分類精度が14.55%向上している。
  論文  参考訳（メタデータ） (2024-10-17T02:21:43Z)
• Towards Effective User Attribution for Latent Diffusion Models via Watermark-Informed Blending [54.26862913139299]
  我々は、ウォーターマークインフォームドブレンディング(TEAWIB)による潜伏拡散モデルに対する効果的なユーザ属性に向けた新しいフレームワークを提案する。 TEAWIBは、ユーザ固有の透かしを生成モデルにシームレスに統合する、ユニークな準備可能な構成アプローチを取り入れている。 TEAWIBの有効性を検証し、知覚的品質と帰属精度で最先端の性能を示す実験を行った。
  論文  参考訳（メタデータ） (2024-09-17T07:52:09Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• Safe-SD: Safe and Traceable Stable Diffusion with Text Prompt Trigger for Invisible Generative Watermarking [20.320229647850017]
  安定拡散(SD)モデルは一般的に画像合成とパーソナライズされた編集の分野で栄えている。 AIが作成したコンテンツを公開プラットフォームに公開することで、法的および倫理的リスクが高まる可能性がある。 本研究では,透かしを認識不能な構造に適応させる,安全かつ高追従性安定拡散フレームワーク(SafeSD)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T05:53:17Z)
• JIGMARK: A Black-Box Approach for Enhancing Image Watermarks against Diffusion Model Edits [76.25962336540226]
  JIGMARKは、コントラスト学習による堅牢性を高める、第一級の透かし技術である。 本評価の結果,JIGMARKは既存の透かし法をはるかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-06T03:31:41Z)
• AquaLoRA: Toward White-box Protection for Customized Stable Diffusion Models via Watermark LoRA [67.68750063537482]
  拡散モデルは高品質な画像の生成において顕著な成功を収めた。 最近の研究は、SDモデルがポストホック法医学のための透かし付きコンテンツを出力できるようにすることを目的としている。 このシナリオにおける最初の実装としてtextttmethod を提案する。
  論文  参考訳（メタデータ） (2024-05-18T01:25:47Z)
• FT-Shield: A Watermark Against Unauthorized Fine-tuning in Text-to-Image Diffusion Models [64.89896692649589]
  テキスト・画像拡散モデルの微調整に適した透かしシステムであるFT-Shieldを提案する。 FT-Shieldは新しい透かしの生成と検出戦略を設計することで著作権保護の課題に対処する。
  論文  参考訳（メタデータ） (2023-10-03T19:50:08Z)
• 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。