論文の概要: ZK-WAGON: Imperceptible Watermark for Image Generation Models using ZK-SNARKs
- arxiv url: http://arxiv.org/abs/2510.01967v1
- Date: Thu, 02 Oct 2025 12:39:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:21.127039
- Title: ZK-WAGON: Imperceptible Watermark for Image Generation Models using ZK-SNARKs
- Title（参考訳）: ZK-WAGON:ZK-SNARKを用いた画像生成モデルの認識不能な透かし
- Authors: Aadarsh Anantha Ramakrishnan, Shubham Agarwal, Selvanayagam S, Kunwar Singh,
- Abstract要約: ZK-WAGON - Zero-Knowledge Succinct Non Interactive Argument of Knowledge (ZK-SNARKs) を用いた画像生成モデルの透かしシステム
提案手法は,モデルウェイトや生成プロンプト,あるいは機密情報を公開することなく,起点の検証を可能にする。
我々は、このシステムをGANモデルとDiffusionモデルの両方で実証し、信頼できるAI画像生成のためのセキュアでモデルに依存しないパイプラインを提供する。
- 参考スコア（独自算出の注目度）: 4.084465411494742
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: As image generation models grow increasingly powerful and accessible, concerns around authenticity, ownership, and misuse of synthetic media have become critical. The ability to generate lifelike images indistinguishable from real ones introduces risks such as misinformation, deepfakes, and intellectual property violations. Traditional watermarking methods either degrade image quality, are easily removed, or require access to confidential model internals - making them unsuitable for secure and scalable deployment. We are the first to introduce ZK-WAGON, a novel system for watermarking image generation models using the Zero-Knowledge Succinct Non Interactive Argument of Knowledge (ZK-SNARKs). Our approach enables verifiable proof of origin without exposing model weights, generation prompts, or any sensitive internal information. We propose Selective Layer ZK-Circuit Creation (SL-ZKCC), a method to selectively convert key layers of an image generation model into a circuit, reducing proof generation time significantly. Generated ZK-SNARK proofs are imperceptibly embedded into a generated image via Least Significant Bit (LSB) steganography. We demonstrate this system on both GAN and Diffusion models, providing a secure, model-agnostic pipeline for trustworthy AI image generation.
- Abstract（参考訳）: 画像生成モデルはますます強力でアクセスしやすくなっているため、合成メディアの信頼性、所有権、誤用に関する懸念が重要になっている。
現実と区別できない生命のような画像を生成する能力は、誤情報、ディープフェイク、知的財産権侵害などのリスクをもたらす。
従来のウォーターマーク手法は、画像の品質を低下させるか、簡単に削除するか、機密モデルの内部へのアクセスを必要とするため、セキュアでスケーラブルなデプロイメントには適さない。
ZK-SNARK(Zero-Knowledge Succinct Non Interactive Argument of Knowledge)を用いた画像生成モデルの透かしシステムであるZK-WAGONを導入する。
提案手法は,モデルウェイトや生成プロンプト,あるいは機密情報を公開することなく,起点の検証を可能にする。
本稿では,画像生成モデルの鍵層を回路に変換するSelective Layer ZK-Circuit Creation (SL-ZKCC)を提案する。
生成したZK-SNARK証明はLast Significant Bit (LSB) ステガノグラフィーによって生成した画像に不可避的に埋め込まれる。
我々は、このシステムをGANモデルとDiffusionモデルの両方で実証し、信頼できるAI画像生成のためのセキュアでモデルに依存しないパイプラインを提供する。
関連論文リスト
- NWaaS: Nonintrusive Watermarking as a Service for X-to-Image DNN [15.803288210824796]
ディープニューラルネットワーク(DNN)モデルは、透かしによって保護される。
現在のメソッドは、モデルパラメータを変更したり、構造を変更したりするため、本質的に侵入的です。
非定義ウォーターマーキング・アズ・ア・サービス(NW)は,X-to-Imageモデル用に設計された新しい信頼できないパラダイムである。
NWは、保護されたモデルのブラックボックスAPIに堅牢で非侵入的なサイドチャネルを確立することで、デプロイメントの課題に対処する。
論文 参考訳（メタデータ） (2025-07-24T02:07:28Z) - A Watermark for Auto-Regressive Image Generation Models [50.599325258178254]
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。
論文 参考訳（メタデータ） (2025-06-13T00:15:54Z) - 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) - 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) - RoboSignature: Robust Signature and Watermarking on Network Attacks [0.5461938536945723]
本稿では,モデルが意図した透かしを埋め込む能力を阻害する新たな逆調整攻撃を提案する。
本研究は, 発生システムにおける潜在的な脆弱性を予知し, 防御することの重要性を強調した。
論文 参考訳（メタデータ） (2024-12-22T04:36:27Z) - 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) - Protect-Your-IP: Scalable Source-Tracing and Attribution against Personalized Generation [19.250673262185767]
画像著作権のソーストレーシングと属性の統一的なアプローチを提案する。
本稿では,プロアクティブ戦略とパッシブ戦略を融合した革新的な透かし属性法を提案する。
オンラインで公開されている様々なセレブの肖像画シリーズを用いて実験を行った。
論文 参考訳（メタデータ） (2024-05-26T15:14:54Z) - How to Trace Latent Generative Model Generated Images without Artificial Watermark? [88.04880564539836]
潜在生成モデルによって生成された画像に関する潜在的な誤用に関する懸念が持ち上がっている。
検査されたモデルの生成された画像をトレースするために,レイトタントトラッカーと呼ばれる潜時反転に基づく手法を提案する。
提案手法は,検査したモデルと他の画像から生成された画像とを高精度かつ効率的に識別できることを示す。
論文 参考訳（メタデータ） (2024-05-22T05:33:47Z)
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。