論文の概要: A Watermark for Auto-Regressive Image Generation Models

• arxiv url: http://arxiv.org/abs/2506.11371v1
• Date: Fri, 13 Jun 2025 00:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.611833
• Title: A Watermark for Auto-Regressive Image Generation Models
• Title（参考訳）: 自己回帰画像生成モデルのための透かし
• Authors: Yihan Wu, Xuehao Cui, Ruibo Chen, Georgios Milis, Heng Huang,
• Abstract要約: 画像生成モデル用に明示的に設計された歪みのない透かし法であるC-reweightを提案する。 C-reweightは画像の忠実性を維持しながら再起動ミスマッチを緩和する。
• 参考スコア（独自算出の注目度）: 50.599325258178254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid evolution of image generation models has revolutionized visual content creation, enabling the synthesis of highly realistic and contextually accurate images for diverse applications. However, the potential for misuse, such as deepfake generation, image based phishing attacks, and fabrication of misleading visual evidence, underscores the need for robust authenticity verification mechanisms. While traditional statistical watermarking techniques have proven effective for autoregressive language models, their direct adaptation to image generation models encounters significant challenges due to a phenomenon we term retokenization mismatch, a disparity between original and retokenized sequences during the image generation process. To overcome this limitation, we propose C-reweight, a novel, distortion-free watermarking method explicitly designed for image generation models. By leveraging a clustering-based strategy that treats tokens within the same cluster equivalently, C-reweight mitigates retokenization mismatch while preserving image fidelity. Extensive evaluations on leading image generation platforms reveal that C-reweight not only maintains the visual quality of generated images but also improves detectability over existing distortion-free watermarking techniques, setting a new standard for secure and trustworthy image synthesis.
• Abstract（参考訳）: 画像生成モデルの急速な進化は、視覚コンテンツ生成に革命をもたらし、多様なアプリケーションのために、高度に現実的で文脈的に正確な画像の合成を可能にした。 しかし、ディープフェイク生成、イメージベースのフィッシング攻撃、誤解を招く視覚的証拠の作成といった誤用の可能性は、堅牢な認証機構の必要性を浮き彫りにしている。 従来の統計透かし技術は自己回帰言語モデルに有効であることが証明されているが、画像生成モデルへの直接適応は、画像生成過程における原文配列と再帰配列の相違である再帰的ミスマッチ(retokenization mismatch)と呼ばれる現象によって大きな課題に直面する。 この制限を克服するために、画像生成モデル用に明示的に設計された新しい歪みのない透かし法であるC-reweightを提案する。 同一クラスタ内のトークンを同等に扱うクラスタリングベースの戦略を活用することで、C-reweightはイメージの忠実性を維持しながら再起動ミスマッチを緩和する。 画像生成プラットフォーム上での大規模な評価により、C-reweightは生成画像の視覚的品質を維持するだけでなく、既存の歪みのない透かし技術よりも検出性が向上し、安全で信頼性の高い画像合成のための新しい標準が設定された。

関連論文リスト

• Optimization-Free Universal Watermark Forgery with Regenerative Diffusion Models [50.73220224678009]
  ウォーターマーキングは、人工知能モデルによって生成された合成画像の起源を検証するために使用できる。 近年の研究では, 対象画像から表層画像への透かしを, 対角的手法を用いてフォージできることが示されている。 本稿では,最適化フリーで普遍的な透かし偽造のリスクが大きいことを明らかにする。 我々のアプローチは攻撃範囲を大きく広げ、現在の透かし技術の安全性により大きな課題をもたらす。
  論文  参考訳（メタデータ） (2025-06-06T12:08:02Z)
• GenPTW: In-Generation Image Watermarking for Provenance Tracing and Tamper Localization [32.843425702098116]
  GenPTWは潜在拡散モデル(LDM)のためのインジェネレーション画像透かしフレームワークである 画像生成フェーズ中に構造化された透かし信号を埋め込んで、統一されたプロファイランストレースとタンパーローカライゼーションを可能にする。 実験により、GenPTWは画像の忠実度、透かし抽出精度、改ざん性能において既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-28T08:21:39Z)
• Gaussian Shading++: Rethinking the Realistic Deployment Challenge of Performance-Lossless Image Watermark for Diffusion Models [66.54457339638004]
  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,実世界の展開に適した拡散モデル透かし手法を提案する。 Gaussian Shading++はパフォーマンスのロスレス性を維持するだけでなく、ロバスト性の観点からも既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-04-21T11:18:16Z)
• Safe-VAR: Safe Visual Autoregressive Model for Text-to-Image Generative Watermarking [18.251123923955397]
  自己回帰学習はテキストと画像の生成において支配的なアプローチとなり、高い効率と視覚的品質を提供する。 拡散モデルのために設計された既存の透かし法は、しばしばVARモデルのシーケンシャルな性質に適応するのに苦労する。 自動回帰テキスト・画像生成に特化して設計された最初のウォーターマーキングフレームワークであるSafe-VARを提案する。
  論文  参考訳（メタデータ） (2025-03-14T11:45:10Z)
• Provably Secure Robust Image Steganography via Cross-Modal Error Correction [23.087977275900396]
  本稿では,最先端自己回帰(AR)画像生成モデルに基づく高品質で確実かつ堅牢な画像ステガノグラフィー手法を提案する。 我々は、損失画像の復元を支援するため、ステゴ画像からステゴテキストを生成するクロスモーダルな誤り補正フレームワークを用いる。
  論文  参考訳（メタデータ） (2024-12-15T16:10:10Z)
• Active Generation for Image Classification [45.93535669217115]
  本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。 能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
  論文  参考訳（メタデータ） (2024-03-11T08:45:31Z)

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。