論文の概要: StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2509.17993v2
• Date: Tue, 23 Sep 2025 13:36:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 14:02:59.93657
• Title: StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models
• Title（参考訳）: StableGuard: 潜伏拡散モデルにおける統一著作権保護とタンパーローカライゼーションを目指して
• Authors: Haoxin Yang, Bangzhen Liu, Xuemiao Xu, Cheng Xu, Yuyang Yu, Zikai Huang, Yi Wang, Shengfeng He,
• Abstract要約: 拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。 画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 55.05404953041403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advancement of diffusion models has enhanced the realism of AI-generated content but also raised concerns about misuse, necessitating robust copyright protection and tampering localization. Although recent methods have made progress toward unified solutions, their reliance on post hoc processing introduces considerable application inconvenience and compromises forensic reliability. We propose StableGuard, a novel framework that seamlessly integrates a binary watermark into the diffusion generation process, ensuring copyright protection and tampering localization in Latent Diffusion Models through an end-to-end design. We develop a Multiplexing Watermark VAE (MPW-VAE) by equipping a pretrained Variational Autoencoder (VAE) with a lightweight latent residual-based adapter, enabling the generation of paired watermarked and watermark-free images. These pairs, fused via random masks, create a diverse dataset for training a tampering-agnostic forensic network. To further enhance forensic synergy, we introduce a Mixture-of-Experts Guided Forensic Network (MoE-GFN) that dynamically integrates holistic watermark patterns, local tampering traces, and frequency-domain cues for precise watermark verification and tampered region detection. The MPW-VAE and MoE-GFN are jointly optimized in a self-supervised, end-to-end manner, fostering a reciprocal training between watermark embedding and forensic accuracy. Extensive experiments demonstrate that StableGuard consistently outperforms state-of-the-art methods in image fidelity, watermark verification, and tampering localization.
• Abstract（参考訳）: 拡散モデルの進歩は、AI生成コンテンツの現実性を高めただけでなく、誤用やロバストな著作権保護、ローカライゼーションの改ざんといった懸念も持ち上がった。 近年の手法は統合ソリューションに向けて進歩しているが、ポストホック処理への依存は、アプリケーションの不便さと法医学的信頼性を損なう。 本稿では,バイナリ透かしを拡散生成プロセスにシームレスに統合し,著作権保護を保証し,エンド・ツー・エンドの設計を通じて遅延拡散モデルにおけるローカライズを阻害する新しいフレームワークであるStableGuardを提案する。 我々は,事前訓練された変分オートエンコーダ(VAE)を軽量な遅延残差ベースのアダプタに装着し,ペアの透かしと透かしのない画像を生成することで,多重化透かしVAE(MPW-VAE)を開発した。 これらのペアはランダムマスクを介して融合し、改ざんに依存しない法医学ネットワークをトレーニングするための多様なデータセットを作成する。 さらに, 総合的な透かしパターン, 局所的な改ざんトレース, 周波数領域のキューを動的に統合し, 正確な透かし検証と改ざんを行うMixture-of-Experts Guided Forensic Network (MoE-GFN)を導入する。 MPW-VAEとMoE-GFNは、自己監督されたエンドツーエンドの方法で共同最適化され、透かし埋め込みと法医学的精度の間の相互訓練が促進される。 広範な実験により、StableGuardは画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、最先端の手法を一貫して上回っていることが示されている。

関連論文リスト

• TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity [76.98973481600002]
  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。 提案手法は、4つのキーモジュールからなる: 生成品質を保ちつつ、著作権と局所化の透かしを潜伏空間に埋め込むためのデュアルマークジョイントサンプリング (DMJS) アルゴリズム。 実験結果から,TAG-WMは歪み下においても,改質性および局所化能力の両面において最先端性能を達成できることが示された。
  論文  参考訳（メタデータ） (2025-06-30T03:14:07Z)
• 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)
• TriniMark: A Robust Generative Speech Watermarking Method for Trinity-Level Attribution [3.1682080884953736]
  本稿では,生成したコンテンツを認証するための生成的textbfspeech wattextbfermarking法(TriniMark)を提案する。 まず、音声の時間領域特徴に透かしを埋め込む構造軽量透かしエンコーダを設計する。 ビットワイドウォーターマーク回復のためのウォーターマーク復号器において、時間対応ゲート畳み込みネットワークを巧みに設計する。
  論文  参考訳（メタデータ） (2025-04-29T08:23:28Z)
• 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)
• Watermarking Visual Concepts for Diffusion Models [43.35783380047233]
  パーソナライズ技術は特定の概念で画像を生成する。 悪意のあるユーザは、ターゲットのコンセプトに関連する不正なコンテンツや偽情報を生成できる。 モデル透かしは、悪意のある生成された画像を追跡し、彼らの著作権を保護する効果的なソリューションである。
  論文  参考訳（メタデータ） (2024-11-18T16:11:25Z)
• 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)

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。