論文の概要: OSI: One-step Inversion Excels in Extracting Diffusion Watermarks

• arxiv url: http://arxiv.org/abs/2602.09494v1
• Date: Tue, 10 Feb 2026 07:43:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.431915
• Title: OSI: One-step Inversion Excels in Extracting Diffusion Watermarks
• Title（参考訳）: OSI:拡散透かし抽出における一段階のインバージョンExcel
• Authors: Yuwei Chen, Zhenliang He, Jia Tang, Meina Kan, Shiguang Shan,
• Abstract要約: ガウスシェーディングスタイルの透かしを抽出する手法であるワンステップインバージョン(OSI)を提案する。 OSIは、透かし抽出を学習可能な記号分類問題として再構成し、初期雑音の正確な回帰を不要にする。 我々のOSIは,20倍高速で,抽出精度が向上し,透かしペイロード容量が2倍になる多段拡散インバージョン法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 56.210696479553945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Watermarking is an important mechanism for provenance and copyright protection of diffusion-generated images. Training-free methods, exemplified by Gaussian Shading, embed watermarks into the initial noise of diffusion models with negligible impact on the quality of generated images. However, extracting this type of watermark typically requires multi-step diffusion inversion to obtain precise initial noise, which is computationally expensive and time-consuming. To address this issue, we propose One-step Inversion (OSI), a significantly faster and more accurate method for extracting Gaussian Shading style watermarks. OSI reformulates watermark extraction as a learnable sign classification problem, which eliminates the need for precise regression of the initial noise. Then, we initialize the OSI model from the diffusion backbone and finetune it on synthesized noise-image pairs with a sign classification objective. In this manner, the OSI model is able to accomplish the watermark extraction efficiently in only one step. Our OSI substantially outperforms the multi-step diffusion inversion method: it is 20x faster, achieves higher extraction accuracy, and doubles the watermark payload capacity. Extensive experiments across diverse schedulers, diffusion backbones, and cryptographic schemes consistently show improvements, demonstrating the generality of our OSI framework.
• Abstract（参考訳）: 透かしは拡散生成画像の証明と著作権保護の重要なメカニズムである。 ガウスシェーディング(英語版)によって実証された学習自由法は、拡散モデルの初期ノイズに透かしを埋め込み、生成した画像の品質に無視できない影響を及ぼす。 しかし、このタイプの透かしを抽出するには、計算に高価で時間を要する正確な初期ノイズを得るためには、多段階の拡散反転が必要となる。 この問題に対処するために,ガウスシェーディングスタイルの透かしを抽出する手法であるワンステップ・インバージョン(OSI)を提案する。 OSIは、透かし抽出を学習可能な記号分類問題として再構成し、初期雑音の正確な回帰を不要にする。 そこで,我々はOSIモデルを拡散バックボーンから初期化し,それを信号分類の対象とした合成雑音像対上に微調整する。 この方法でOSIモデルは,1ステップで効率よく透かし抽出を行うことができる。 我々のOSIは,20倍高速で,抽出精度が向上し,透かしペイロード容量が2倍になる多段拡散インバージョン法を著しく上回っている。 多様なスケジューラ、拡散バックボーン、暗号スキームの広範な実験は、常に改善を示し、OSIフレームワークの汎用性を実証している。

関連論文リスト

• T2SMark: Balancing Robustness and Diversity in Noise-as-Watermark for Diffusion Models [89.29541056113442]
  T2SMarkはTail-Truncated Smpling(TTS)に基づく2段階の透かし方式である U-NetとDiTのバックボーンを用いた拡散モデル上でのT2SMarkの評価を行った。
  論文  参考訳（メタデータ） (2025-10-25T16:55:55Z)
• DiffMark: Diffusion-based Robust Watermark Against Deepfakes [49.05095089309156]
  ディープフェイクは、悪意のある顔操作を通じて、重大なセキュリティとプライバシーの脅威を引き起こす。 既存の透かし法はディープフェイク操作に対して十分な堅牢性を欠いていることが多い。 本稿では拡散モデルに基づく新しいロバストな透かしフレームワークDiffMarkを提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:29:33Z)
• 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)
• GaussMarker: Robust Dual-Domain Watermark for Diffusion Models [9.403937469402871]
  GaussMarkerは8つの画像歪みと3つのバージョンにわたる4つの高度な攻撃の下で、最先端のパフォーマンスを効率的に達成する。 本稿では,パイプライン型インジェクタを用いて空間領域と周波数領域の両方に透かしを連続的に埋め込む方式として,最初のデュアルドメインDM透かし手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T03:45:15Z)
• 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)
• Watermarking in Diffusion Model: Gaussian Shading with Exact Diffusion Inversion via Coupled Transformations (EDICT) [0.0]
  本稿では,ガウスシェーディングの性能向上のための新しい手法を提案する。 本稿では,EDICTの正確な逆写像を導出する能力を活用して,このプロセスを洗練することを提案する。 提案手法は, 透かしを注入した消音剤を複製し, 相反的, 交互な消音・消音方式を採用する。
  論文  参考訳（メタデータ） (2025-01-15T06:04:18Z)
• SuperMark: Robust and Training-free Image Watermarking via Diffusion-based Super-Resolution [27.345134138673945]
  我々は、堅牢でトレーニング不要な透かしフレームワークであるSuperMarkを提案する。 SuperMarkは既存の手法を使って初期ガウスノイズに透かしを埋め込む。 次に、トレーニング済みの超解像モデルを適用して、透かしのノイズを消音し、最終的な透かしの画像を生成する。 抽出には、透かし画像がDDIM変換により初期透かしノイズに逆戻りされ、埋め込み透かしが抽出される。 実験により、SuperMarkは既存のメソッドに匹敵する忠実性を達成し、ロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-12-13T11:20:59Z)
• JIGMARK: A Black-Box Approach for Enhancing Image Watermarks against Diffusion Model Edits [76.25962336540226]
  JIGMARKは、コントラスト学習による堅牢性を高める、第一級の透かし技術である。 本評価の結果,JIGMARKは既存の透かし法をはるかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-06T03:31:41Z)

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。