論文の概要: Learning to Watermark in the Latent Space of Generative Models

• arxiv url: http://arxiv.org/abs/2601.16140v1
• Date: Thu, 22 Jan 2026 17:34:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.675864
• Title: Learning to Watermark in the Latent Space of Generative Models
• Title（参考訳）: 生成モデルの潜在空間における透かしへの学習
• Authors: Sylvestre-Alvise Rebuffi, Tuan Tran, Valeriu Lacatusu, Pierre Fernandez, Tomáš Souček, Nikola Jovanović, Tom Sander, Hady Elsahar, Alexandre Mourachko,
• Abstract要約: DistSealは、拡散モデルと自己回帰モデルの両方で動作する潜時透かしの統一的なアプローチである。 我々のアプローチは、生成モデルの潜在空間におけるホット後の透かしモデルを訓練することで機能する。
• 参考スコア（独自算出の注目度）: 42.29703361234457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing approaches for watermarking AI-generated images often rely on post-hoc methods applied in pixel space, introducing computational overhead and potential visual artifacts. In this work, we explore latent space watermarking and introduce DistSeal, a unified approach for latent watermarking that works across both diffusion and autoregressive models. Our approach works by training post-hoc watermarking models in the latent space of generative models. We demonstrate that these latent watermarkers can be effectively distilled either into the generative model itself or into the latent decoder, enabling in-model watermarking. The resulting latent watermarks achieve competitive robustness while offering similar imperceptibility and up to 20x speedup compared to pixel-space baselines. Our experiments further reveal that distilling latent watermarkers outperforms distilling pixel-space ones, providing a solution that is both more efficient and more robust.
• Abstract（参考訳）: 既存のAI生成画像の透かしアプローチは、しばしばピクセル空間に適用されるポストホック法に依存し、計算オーバーヘッドと潜在的な視覚的アーティファクトを導入している。 本研究では、潜時空間透かしを探索し、拡散モデルと自己回帰モデルの両方で機能する潜時透かしの統一的アプローチであるDistSealを導入する。 我々のアプローチは、生成モデルの潜在空間におけるホット後の透かしモデルを訓練することで機能する。 これらの潜水型透かしは生成モデル自体や潜水型復号器に効果的に蒸留でき、インモデル透かしが可能であることを実証する。 その結果、潜在する透かしは、ピクセル空間のベースラインと比較して、同様の非受容性と最大20倍のスピードアップを提供しながら、競争力のある堅牢性を達成する。 提案実験により, 潜水式透水器の蒸留性能は, より効率よく, より堅牢な溶液が得られることがわかった。

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)
• Image Watermarking of Generative Diffusion Models [42.982489491857145]
  拡散モデル自体に透かしの特徴を埋め込む透かし手法を提案する。 本手法は,エンド・ツー・エンド・エンド・プロセスで学習した生成モデルに対して,ペア型透かし抽出器の訓練を可能にする。 高精度な透かし埋め込み/検出を実証し,本手法に埋め込まれた異なる透かしを区別し,生成モデルの区別を行うことが可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-12T09:00:48Z)
• ROBIN: Robust and Invisible Watermarks for Diffusion Models with Adversarial Optimization [15.570148419846175]
  既存の透かし手法は、堅牢性と隠蔽のバランスをとるという課題に直面している。 本稿では, 透かしを積極的に隠蔽し, より強力な透かしの埋め込みを可能にするための透かし隠蔽法を提案する。 様々な拡散モデルの実験では、画像改ざんであっても透かしが検証可能であることが示されている。
  論文  参考訳（メタデータ） (2024-11-06T12:14:23Z)
• Inevitable Trade-off between Watermark Strength and Speculative Sampling Efficiency for Language Models [63.450843788680196]
  最大透かし強度と最高サンプリング効率を同時に維持することは不可能である。 本研究では,サンプリング効率と透かし強度を両立させる2つの手法を提案する。 我々の研究は、透かし強度とサンプリング効率の本質的にのトレードオフを理解するための厳密な理論基盤を提供する。
  論文  参考訳（メタデータ） (2024-10-27T12:00:19Z)
• Unbiased Watermark for Large Language Models [67.43415395591221]
  本研究では, モデル生成出力の品質に及ぼす透かしの影響について検討した。 出力確率分布に影響を与えることなく、透かしを統合することができる。 ウォーターマークの存在は、下流タスクにおけるモデルの性能を損なうものではない。
  論文  参考訳（メタデータ） (2023-09-22T12:46:38Z)
• Watermarking Images in Self-Supervised Latent Spaces [75.99287942537138]
  我々は,自己教師型アプローチに照らして,事前学習した深層ネットワークに基づく透かし手法を再検討する。 我々は、マーク時間におけるデータの増大を利用して、マークとバイナリのメッセージをその潜在空間に埋め込む方法を提案する。
  論文  参考訳（メタデータ） (2021-12-17T15:52:46Z)
• Fine-tuning Is Not Enough: A Simple yet Effective Watermark Removal Attack for DNN Models [72.9364216776529]
  我々は異なる視点から新しい透かし除去攻撃を提案する。 我々は、知覚不可能なパターン埋め込みと空間レベルの変換を組み合わせることで、単純だが強力な変換アルゴリズムを設計する。 我々の攻撃は、非常に高い成功率で最先端の透かしソリューションを回避できる。
  論文  参考訳（メタデータ） (2020-09-18T09:14:54Z)

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。