論文の概要: NoisePrints: Distortion-Free Watermarks for Authorship in Private Diffusion Models

• arxiv url: http://arxiv.org/abs/2510.13793v1
• Date: Wed, 15 Oct 2025 17:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.797609
• Title: NoisePrints: Distortion-Free Watermarks for Authorship in Private Diffusion Models
• Title（参考訳）: ノイズプリンツ:個人拡散モデルにおける著者の歪みのない透かし
• Authors: Nir Goren, Oren Katzir, Abhinav Nakarmi, Eyal Ronen, Mahmood Sharif, Or Patashnik,
• Abstract要約: 本稿では,拡散過程の初期化に使用するランダムシードを,生成過程を変更することなく,著者の証明として利用する軽量な透かし方式を提案する。 実験では,画像とビデオの複数の拡散モデル上でノイズプリンツを検証し,シードと出力のみを用いた効率的な検証を実証した。
• 参考スコア（独自算出の注目度）: 21.85844468081812
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the rapid adoption of diffusion models for visual content generation, proving authorship and protecting copyright have become critical. This challenge is particularly important when model owners keep their models private and may be unwilling or unable to handle authorship issues, making third-party verification essential. A natural solution is to embed watermarks for later verification. However, existing methods require access to model weights and rely on computationally heavy procedures, rendering them impractical and non-scalable. To address these challenges, we propose , a lightweight watermarking scheme that utilizes the random seed used to initialize the diffusion process as a proof of authorship without modifying the generation process. Our key observation is that the initial noise derived from a seed is highly correlated with the generated visual content. By incorporating a hash function into the noise sampling process, we further ensure that recovering a valid seed from the content is infeasible. We also show that sampling an alternative seed that passes verification is infeasible, and demonstrate the robustness of our method under various manipulations. Finally, we show how to use cryptographic zero-knowledge proofs to prove ownership without revealing the seed. By keeping the seed secret, we increase the difficulty of watermark removal. In our experiments, we validate NoisePrints on multiple state-of-the-art diffusion models for images and videos, demonstrating efficient verification using only the seed and output, without requiring access to model weights.
• Abstract（参考訳）: ビジュアルコンテンツ生成に拡散モデルが急速に採用され、著者の証明と著作権保護が重要になっている。 この課題は、モデル所有者がモデルをプライベートに保ち、オーサシップの問題に対処できない、あるいは対応できない場合において特に重要であり、サードパーティの検証が不可欠である。 自然な解決策は、後の検証のために透かしを埋め込むことである。 しかし、既存の手法ではモデルウェイトへのアクセスが必要であり、計算的に重い手順に依存しており、非現実的で計算不可能である。 これらの課題に対処するために,著者の証明として拡散過程の初期化に使用するランダムシードを利用する軽量な透かし方式を提案する。 我々のキーとなる観察は、種子から派生した初期ノイズが生成した視覚内容と高い相関関係があることである。 ノイズサンプリングプロセスにハッシュ関数を組み込むことにより、有効なシードをコンテンツから回収することは不可能である。 また,検証に合格する代替種をサンプリングすることは不可能であることを示すとともに,様々な操作下での手法の堅牢性を示す。 最後に、暗号ゼロ知識証明を用いて、シードを明らかにすることなく、オーナシップを証明する方法を示す。 種子を秘密にしておくことで、透かし除去の難しさが増す。 実験では,画像やビデオの複数の拡散モデル上でのノイズプリンツの有効性を検証し,モデルウェイトへのアクセスを必要とせず,シードとアウトプットのみを用いた効率的な検証を実証した。

関連論文リスト

• 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)
• SEAL: Semantic Aware Image Watermarking [26.606008778795193]
  本稿では,生成した画像のセマンティック情報を透かしに直接埋め込む新しい透かし手法を提案する。 キーパターンは、局所性に敏感なハッシュを用いて画像のセマンティック埋め込みから推測することができる。 以上の結果から,画像生成モデルによるリスクを軽減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-03-15T15:29:05Z)
• Gaussian Shading: Provable Performance-Lossless Image Watermarking for Diffusion Models [71.13610023354967]
  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,性能ロスレスかつトレーニング不要な拡散モデル透かし手法を提案する。
  論文  参考訳（メタデータ） (2024-04-07T13:30:10Z)
• Tree-Ring Watermarks: Fingerprints for Diffusion Images that are Invisible and Robust [55.91987293510401]
  生成モデルのアウトプットを透かしは、著作権をトレースし、AI生成コンテンツによる潜在的な害を防ぐ重要なテクニックである。 本稿では,拡散モデル出力を頑健にフィンガープリントするTree-Ring Watermarkingという新しい手法を提案する。 私たちの透かしは画像空間に意味的に隠れており、現在デプロイされている透かしよりもはるかに堅牢です。
  論文  参考訳（メタデータ） (2023-05-31T17:00:31Z)

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。