Fugu-MT 論文翻訳(概要): TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity

論文の概要: TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity

arxiv url: http://arxiv.org/abs/2506.23484v1
Date: Mon, 30 Jun 2025 03:14:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-01 21:27:53.903647
Title: TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity
Title（参考訳）: TAG-WM:拡散反転感度によるタンパ認識画像透かし
Authors: Yuzhuo Chen, Zehua Ma, Han Fang, Weiming Zhang, Nenghai Yu,
Abstract要約: Tamper-Aware Generative Image WaterMarking(TAG-WM)。本稿では,TAG-WMと命名されたタンパ認識画像ウォーターマーキング手法を提案する。
参考スコア（独自算出の注目度）: 68.95168727940973
License: http://creativecommons.org/licenses/by/4.0/
Abstract: AI-generated content (AIGC) enables efficient visual creation but raises copyright and authenticity risks. As a common technique for integrity verification and source tracing, digital image watermarking is regarded as a potential solution to above issues. Among these, watermarking methods capable of preserving the generation quality are receiving increased attention. However, the proliferation and high performance of generative image editing applications have elevated the risks of malicious tampering, creating new demands. 1) The tamper robustness of current lossless visual quality watermarks remains constrained by the modification-sensitive diffusion inversion process, necessitating enhanced robustness. 2) The improved tampering quality and rapid iteration cycles render passive tampering detection methods inadequate, making proactive tampering localization capability a desired feature for watermarks. To address these requirements, this paper proposes a Tamper-Aware Generative image WaterMarking method named TAG-WM. The proposed method comprises four key modules: a dual-mark joint sampling (DMJS) algorithm for embedding copyright and localization watermarks into the latent space while preserving generative quality, the watermark latent reconstruction (WLR) utilizing reversed DMJS, a dense variation region detector (DVRD) leveraging diffusion inversion sensitivity to identify tampered areas via statistical deviation analysis, and the tamper-aware decoding (TAD) guided by localization results. The experimental results indicate that TAG-WM achieves SOTA tampering robustness and tampering localization capability with distortions while maintaining lossless generation quality and a considerable capacity of 256 bits.
Abstract（参考訳）: AI生成コンテンツ(AIGC)は、効率的な視覚的創造を可能にするが、著作権と認証リスクを高める。整合性検証とソーストレースの一般的な手法として、デジタル画像透かしは上記の問題に対する潜在的な解決策とみなされる。このうち、世代品質を維持できる透かし方法に注目が集まっている。しかし、生成画像編集アプリケーションの増殖と高性能化は、悪意のある改ざんのリスクを高め、新たな要求を生み出している。 1) 現在の無損失視覚品質透かしのタンパーロバスト性は, 改良感受性拡散反転過程によって制約され, 強化されたロバスト性を必要とする。 2) 改良された改ざん品質と急速反復サイクルは受動改ざん検出法を不十分にし, 前向き改ざん機能をウォーターマークに望ましい特徴とした。これらの要件に対処するために,TAG-WM というタアンパー・アウェア・ジェネレーティブ・イメージ・ウォーターマーキング手法を提案する。提案手法は, 遺伝的偏差解析による拡散反転感度を利用した拡散反転領域検出器 (DVRD) と, ローカライゼーションにより誘導されるタンパウェア復号 (TAD) の4つのキーモジュールからなる。実験結果から,TAG-WMは,損失のない生成品質と256ビットの容量を維持しつつ,歪みを伴うSOTA改質と局所化能力の改質を実現することが示唆された。

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)
SuperMark: Robust and Training-free Image Watermarking via Diffusion-based Super-Resolution [27.345134138673945]
我々は、堅牢でトレーニング不要な透かしフレームワークであるSuperMarkを提案する。 SuperMarkは既存の手法を使って初期ガウスノイズに透かしを埋め込む。次に、トレーニング済みの超解像モデルを適用して、透かしのノイズを消音し、最終的な透かしの画像を生成する。抽出には、透かし画像がDDIM変換により初期透かしノイズに逆戻りされ、埋め込み透かしが抽出される。実験により、SuperMarkは既存のメソッドに匹敵する忠実性を達成し、ロバスト性を大幅に改善した。
論文参考訳（メタデータ） (2024-12-13T11:20:59Z)
OmniGuard: Hybrid Manipulation Localization via Augmented Versatile Deep Image Watermarking [20.662260046296897]
既存の多用途透かしアプローチは、タンパーの局所化精度と視覚的品質のトレードオフに悩まされている。オムニガード(OmniGuard)は、能動的埋め込みと受動的、視覚的抽出を統合した新しい多目的透かし手法である。コンテナ画像のPSNRは4.25dB、ノイズ条件ではF1スコアは20.7%、平均ビット精度は14.8%である。
論文参考訳（メタデータ） (2024-12-02T15:38:44Z)
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)
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)
DiffusionShield: A Watermark for Copyright Protection against Generative Diffusion Models [41.81697529657049]
生成拡散モデル(GDM)に適した新しい透かし方式DiffusionShieldを導入する。 DiffusionShieldは、所有権情報を認識不能な透かしにエンコードし、画像に注入することで、GDMによる著作権侵害から画像を保護する。透かしの均一性と共同最適化法により、DiffusionShieldは元の画像の歪みを低くする。
論文参考訳（メタデータ） (2023-05-25T11:59:28Z)

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。