論文の概要: Semantic Mismatch and Perceptual Degradation: A New Perspective on Image Editing Immunity

• arxiv url: http://arxiv.org/abs/2512.14320v1
• Date: Tue, 16 Dec 2025 11:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.70419
• Title: Semantic Mismatch and Perceptual Degradation: A New Perspective on Image Editing Immunity
• Title（参考訳）: 意味的ミスマッチと知覚的劣化 : 画像編集免疫の新しい視点
• Authors: Shuai Dong, Jie Zhang, Guoying Zhao, Shiguang Shan, Xilin Chen,
• Abstract要約: 我々は、予防接種の成功は、プロンプトを意味的にミスマッチさせたり、実質的な知覚的劣化に苦しんだりして、編集されたアウトプットによって定義されるべきであると論じる。 免疫成功率(Immunization Success Rate,ISR)は,免疫成功率(Immunization Success Rate,ISR)を初めて厳密に定量化するために設計された新しい指標である。
• 参考スコア（独自算出の注目度）: 79.10998560865444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-guided image editing via diffusion models, while powerful, raises significant concerns about misuse, motivating efforts to immunize images against unauthorized edits using imperceptible perturbations. Prevailing metrics for evaluating immunization success typically rely on measuring the visual dissimilarity between the output generated from a protected image and a reference output generated from the unprotected original. This approach fundamentally overlooks the core requirement of image immunization, which is to disrupt semantic alignment with attacker intent, regardless of deviation from any specific output. We argue that immunization success should instead be defined by the edited output either semantically mismatching the prompt or suffering substantial perceptual degradations, both of which thwart malicious intent. To operationalize this principle, we propose Synergistic Intermediate Feature Manipulation (SIFM), a method that strategically perturbs intermediate diffusion features through dual synergistic objectives: (1) maximizing feature divergence from the original edit trajectory to disrupt semantic alignment with the expected edit, and (2) minimizing feature norms to induce perceptual degradations. Furthermore, we introduce the Immunization Success Rate (ISR), a novel metric designed to rigorously quantify true immunization efficacy for the first time. ISR quantifies the proportion of edits where immunization induces either semantic failure relative to the prompt or significant perceptual degradations, assessed via Multimodal Large Language Models (MLLMs). Extensive experiments show our SIFM achieves the state-of-the-art performance for safeguarding visual content against malicious diffusion-based manipulation.
• Abstract（参考訳）: 拡散モデルによるテキスト誘導画像編集は、強力な反面、誤用に関する重大な懸念を提起し、無許可な摂動を用いた画像編集に対して、イメージを免疫する動機付けを行っている。 免疫成功を評価するための一般的な指標は、通常、保護された画像から生成された出力と保護されていないオリジナルから生成された参照出力との視覚的相違を測定することに依存する。 このアプローチは、特定の出力からの逸脱に関係なく、攻撃意図とのセマンティックアライメントを妨害する、イメージ免疫のコア要件を根本的に見落としている。 我々は、予防接種の成功は、そのプロンプトを意味的にミスマッチさせたり、重大な知覚的劣化に苦しんだりすることで定義されるべきであり、どちらも悪意のある意図を妨げている。 この原理を運用するために, 両相乗的目的を通じて中間拡散特徴を戦略的に摂動する手法であるSynergistic Intermediate Feature Manipulation (SIFM)を提案する。 さらに,免疫成功率(Immunization Success Rate,ISR)も導入した。 ISRは、マルチモーダル大言語モデル(MLLM)を用いて評価された、即時または重要な知覚的劣化に対して、免疫が意味障害を誘発する編集の割合を定量化する。 広汎な実験により、SIFMは、悪意のある拡散に基づく操作から視覚コンテンツを保護するための最先端のパフォーマンスを実現する。

関連論文リスト

• Towards Transferable Defense Against Malicious Image Edits [70.17363183107604]
  Transferable Defense Against Malicious Image Edits (TDAE)は、悪意のある編集に対するイメージ免疫を強化する新しいバイモーダルフレームワークである。 本稿では,FlatGrad Defense Mechanism (FDM) を紹介した。 テキストエンハンスメント保護のための動的プロンプトディフェンス (DPD) を提案し, テキスト埋め込みを周期的に洗練し, 免疫画像の編集結果を元の画像と整合させる。
  論文  参考訳（メタデータ） (2025-12-16T12:10:16Z)
• Dual Attention Guided Defense Against Malicious Edits [70.17363183107604]
  本稿では,DANP(Dual Attention-Guided Noise Perturbation)免疫法を提案する。 本手法は,悪意ある編集に対する印象的な免疫力を示し,その手法が最先端の性能を達成することを実証した。
  論文  参考訳（メタデータ） (2025-12-16T12:01:28Z)
• Active Adversarial Noise Suppression for Image Forgery Localization [56.98050814363447]
  本稿では、敵騒音の攻撃効果を抑制するために、防御的摂動を発生させる敵騒音抑制モジュール(ANSM)を提案する。 我々の知る限りでは、画像フォージェリローカライゼーションタスクにおける敵対的防御の報告としてはこれが初めてである。
  論文  参考訳（メタデータ） (2025-06-15T14:53:27Z)
• CopyrightShield: Enhancing Diffusion Model Security against Copyright Infringement Attacks [61.06621533874629]
  拡散モデルは、攻撃者が戦略的に修正された非侵害画像をトレーニングセットに注入する著作権侵害攻撃に弱い。 まず、上記の攻撃に対して防御するための防御フレームワーク、PhiliptyShieldを提案する。 実験により,PhiliptyShieldは2つの攻撃シナリオで有毒なサンプル検出性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-12-02T14:19:44Z)
• Optimization-Free Image Immunization Against Diffusion-Based Editing [23.787546784989484]
  DiffVaxは、画像免疫のためのスケーラブルで軽量で最適化のないフレームワークである。 提案手法は, 効率的な一般化によるコンテンツの発見, 計算コストの削減, 免疫時間を数日からミリ秒に短縮する。
  論文  参考訳（メタデータ） (2024-11-27T00:30:26Z)
• Boosting Imperceptibility of Stable Diffusion-based Adversarial Examples Generation with Momentum [13.305800254250789]
  我々は,SD-MIAE(SD-MIAE)という新しいフレームワークを提案する。 視覚的不受容性を保ち、元のクラスラベルとのセマンティックな類似性を保ちながら、ニューラルネットワーク分類器を効果的に誤解させることができる敵の例を生成する。 実験の結果,SD-MIAEは79%の誤分類率を示し,最先端法よりも35%向上した。
  論文  参考訳（メタデータ） (2024-10-17T01:22:11Z)
• Raising the Cost of Malicious AI-Powered Image Editing [82.71990330465115]
  本研究では,大規模な拡散モデルによる悪意ある画像編集のリスクを軽減するためのアプローチを提案する。 鍵となるアイデアは、イメージを免疫して、これらのモデルによる操作に抵抗するようにすることだ。
  論文  参考訳（メタデータ） (2023-02-13T18:38:42Z)
• Unsupervised Medical Image Translation with Adversarial Diffusion Models [0.2770822269241974]
  ソース・トゥ・ターゲット・モダリティ変換による画像の欠落の計算は、医用画像プロトコルの多様性を向上させることができる。 本稿では, 医用画像翻訳の性能向上のための逆拡散モデルであるSynDiffを提案する。
  論文  参考訳（メタデータ） (2022-07-17T15:53:24Z)

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。