論文の概要: Universal Image Immunization against Diffusion-based Image Editing via Semantic Injection

• arxiv url: http://arxiv.org/abs/2602.14679v1
• Date: Mon, 16 Feb 2026 12:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.39242
• Title: Universal Image Immunization against Diffusion-based Image Editing via Semantic Injection
• Title（参考訳）: セマンティックインジェクションによる拡散画像編集に対するユニバーサルイメージ免疫
• Authors: Chanhui Lee, Seunghyun Shin, Donggyu Choi, Hae-gon Jeon, Jeany Son,
• Abstract要約: 本稿では,1つの広く適用可能な対向摂動を生成する最初の普遍的イメージ免疫フレームワークを提案する。 本手法は,標的攻撃に使用されるUAP(Universal Adversarial Perturbation)技術にヒントを得て,セマンティックターゲットを保護対象画像に埋め込むUAPを生成する。 提案手法は,UAPを介して画像中の元の意味内容を上書きすることで,悪意ある編集の試みを効果的に阻止する。
• 参考スコア（独自算出の注目度）: 29.203173410857914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in diffusion models have enabled powerful image editing capabilities guided by natural language prompts, unlocking new creative possibilities. However, they introduce significant ethical and legal risks, such as deepfakes and unauthorized use of copyrighted visual content. To address these risks, image immunization has emerged as a promising defense against AI-driven semantic manipulation. Yet, most existing approaches rely on image-specific adversarial perturbations that require individual optimization for each image, thereby limiting scalability and practicality. In this paper, we propose the first universal image immunization framework that generates a single, broadly applicable adversarial perturbation specifically designed for diffusion-based editing pipelines. Inspired by universal adversarial perturbation (UAP) techniques used in targeted attacks, our method generates a UAP that embeds a semantic target into images to be protected. Simultaneously, it suppresses original content to effectively misdirect the model's attention during editing. As a result, our approach effectively blocks malicious editing attempts by overwriting the original semantic content in the image via the UAP. Moreover, our method operates effectively even in data-free settings without requiring access to training data or domain knowledge, further enhancing its practicality and broad applicability in real-world scenarios. Extensive experiments show that our method, as the first universal immunization approach, significantly outperforms several baselines in the UAP setting. In addition, despite the inherent difficulty of universal perturbations, our method also achieves performance on par with image-specific methods under a more restricted perturbation budget, while also exhibiting strong black-box transferability across different diffusion models.
• Abstract（参考訳）: 拡散モデルの最近の進歩は、自然言語のプロンプトによってガイドされる強力な画像編集機能を可能にし、新しい創造可能性の解放を可能にしている。 しかし、彼らは、ディープフェイクや著作権のないビジュアルコンテンツの使用など、重大な倫理的および法的リスクを導入している。 これらのリスクに対処するため、画像免疫はAIによるセマンティック操作に対する有望な防御として登場した。 しかし、既存のほとんどのアプローチは、各画像の個別の最適化を必要とする、画像固有の逆摂動に依存しており、スケーラビリティと実用性を制限する。 本稿では,拡散型編集パイプラインに特化して設計された,広範に適用可能な1つの対角摂動を生成する,初めてのユニバーサルイメージ免疫フレームワークを提案する。 本手法は,標的攻撃に使用されるUAP(Universal Adversarial Perturbation)技術にヒントを得て,セマンティックターゲットを保護対象画像に埋め込むUAPを生成する。 同時に、オリジナルのコンテンツを抑圧し、編集中のモデルの注意を効果的に間違える。 その結果,UAPによる画像中の元のセマンティックコンテンツを上書きすることで,悪意ある編集の試みを効果的にブロックする。 さらに,本手法は,訓練データやドメイン知識へのアクセスを必要とせずに,データフリーな環境でも効果的に動作し,実世界のシナリオにおいてその実用性と幅広い適用性を向上させる。 第1次普遍免疫法として,本手法はUAP設定においていくつかの基準線を著しく上回っている。 さらに, 摂動の難しさにも拘わらず, より制限された摂動予算の下では, 画像固有の手法と同等の性能を発揮するとともに, 異なる拡散モデル間で強いブラックボックス転送性を示す。

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)
• Semantic Mismatch and Perceptual Degradation: A New Perspective on Image Editing Immunity [79.10998560865444]
  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。
  論文  参考訳（メタデータ） (2025-12-16T11:34:48Z)
• A Unified Framework for Stealthy Adversarial Generation via Latent Optimization and Transferability Enhancement [72.3054292908678]
  本稿では,従来の転送可能性向上戦略を画像編集による拡散モデルに基づく逆例生成にシームレスに組み込む統合フレームワークを提案する。 ACM MM25での「ディープフェイク検出者に対する第1次敵攻撃:AI生成メディア時代の挑戦」コンペで優勝した。
  論文  参考訳（メタデータ） (2025-06-30T09:59:09Z)
• Patch is Enough: Naturalistic Adversarial Patch against Vision-Language Pre-training Models [32.23201683108716]
  本稿では,攻撃に画像パッチを専ら使用し,オリジナルテキストの完全性を維持する新しい戦略を提案する。 本手法は,拡散モデルからの事前知識を活用し,摂動の真性や自然性を高める。 画像・テキスト・シナリオのホワイトボックス・セッティングで実施した総合実験により,提案手法は既存の手法を著しく上回り,100%の攻撃成功率を達成した。
  論文  参考訳（メタデータ） (2024-10-07T10:06:01Z)
• Pixel Is Not a Barrier: An Effective Evasion Attack for Pixel-Domain Diffusion Models [9.905296922309157]
  拡散モデルは高品質な画像合成のための強力な生成モデルとして登場し、それに基づく画像編集技術も数多くある。 従来の研究は、知覚不能な摂動を加えることで、画像の拡散に基づく編集を防ごうとしてきた。 本研究は,UNETの脆弱性を利用した新たな攻撃フレームワークであるAtkPDMと,敵画像の自然性を高めるための潜在最適化戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-21T17:56:34Z)
• Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model [61.53213964333474]
  本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。 具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。 設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
  論文  参考訳（メタデータ） (2023-12-18T15:25:23Z)
• IMPRESS: Evaluating the Resilience of Imperceptible Perturbations Against Unauthorized Data Usage in Diffusion-Based Generative AI [52.90082445349903]
  拡散ベースの画像生成モデルは、アーティストのスタイルを模倣するアートイメージを作成したり、偽のコンテンツのためにオリジナルの画像を悪意を持って編集することができる。 知覚不能な摂動を追加することによって、元のイメージをそのような不正なデータ使用から保護する試みがいくつかなされている。 本研究では, IMPRESS という浄化摂動プラットフォームを導入し, 非受容性摂動の有効性を保護策として評価する。
  論文  参考訳（メタデータ） (2023-10-30T03:33:41Z)
• 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)

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。