論文の概要: Vanishing Watermarks: Diffusion-Based Image Editing Undermines Robust Invisible Watermarking

• arxiv url: http://arxiv.org/abs/2602.20680v1
• Date: Tue, 24 Feb 2026 08:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.677346
• Title: Vanishing Watermarks: Diffusion-Based Image Editing Undermines Robust Invisible Watermarking
• Title（参考訳）: 散逸した透かし:拡散に基づく画像編集は、目に見えない透かしを損なう
• Authors: Fan Guo, Jiyu Kang, Qi Ming, Emily Davis, Finn Carter,
• Abstract要約: 強力な拡散ベースの画像生成と編集技術は、堅牢な透かし方式に新たな脅威をもたらす。 従来の歪みに耐えられるように設計された透かしであっても,拡散モデルによりロバストな透かしを効果的に消し去ることができることを示す。 誘導拡散に基づく攻撃は, 発生時に埋め込まれた透かし信号に的を絞ったもので, 透かし検出性を著しく低下させる。
• 参考スコア（独自算出の注目度）: 3.583615559438432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust invisible watermarking schemes aim to embed hidden information into images such that the watermark survives common manipulations. However, powerful diffusion-based image generation and editing techniques now pose a new threat to these watermarks. In this paper, we present a comprehensive theoretical and empirical analysis demonstrating that diffusion models can effectively erase robust watermarks even when those watermarks were designed to withstand conventional distortions. We show that a diffusion-driven image regeneration process, which leverages generative models to recreate an image, can remove embedded watermarks while preserving the image's perceptual content. Furthermore, we introduce a guided diffusion-based attack that explicitly targets the embedded watermark signal during generation, significantly degrading watermark detectability. Theoretically, we prove that as an image undergoes sufficient diffusion transformations, the mutual information between the watermarked image and the hidden payload approaches zero, leading to inevitable decoding failure. Experimentally, we evaluate multiple state-of-the-art watermarking methods (including deep learning-based schemes like StegaStamp, TrustMark, and VINE) and demonstrate that diffusion edits yield near-zero watermark recovery rates after attack, while maintaining high visual fidelity of the regenerated images. Our findings reveal a fundamental vulnerability in current robust watermarking techniques against generative model-based edits, underscoring the need for new strategies to ensure watermark resilience in the era of powerful diffusion models.
• Abstract（参考訳）: 目に見えない透かしは、透かしが一般的な操作に耐えられるように隠された情報を画像に埋め込むことを目的としている。 しかし、強力な拡散ベースの画像生成と編集技術は、これらの透かしに新たな脅威をもたらす。 本稿では,従来の歪みに耐えられるように設計された透かしであっても,拡散モデルによりロバストな透かしを効果的に消去できることを示す。 画像の再生に生成モデルを活用する拡散駆動画像再生プロセスは,画像の知覚内容を保存しながら埋め込みした透かしを除去できることを示す。 さらに, 誘導拡散に基づく攻撃法を導入し, 発生時に埋込した透かし信号を的確に標的とし, 透かし検出性を著しく低下させた。 理論的には、画像が十分な拡散変換を受けると、透かし画像と隠されたペイロード間の相互情報がゼロに近づき、必然的な復号化が失敗する。 実験により,複数の最先端透かし手法(StegaStamp,TrustMark,VINEなどの深層学習スキームを含む)を評価し,画像の高視認性を保ちながら,拡散編集が攻撃後にほぼゼロに近い透かし回復率が得られることを示した。 本研究は, 強力な拡散モデルの時代において, 透かしのレジリエンスを確保するための新たな戦略の必要性を浮き彫りにして, 生成モデルに基づく編集に対する現在の堅牢な透かし技術の基本的脆弱性を明らかにした。

関連論文リスト

• On the Information-Theoretic Fragility of Robust Watermarking under Diffusion Editing [3.6210754412846327]
  強力な拡散ベースの画像生成と編集技術は、堅牢なウォーターマーキングスキームに新たな脅威をもたらす。 生成中の透かし信号を明示的にターゲットし,消去する誘導拡散攻撃アルゴリズムを提案する。 我々は,近年の深層学習に基づく透かし手法に対するアプローチを評価し,攻撃後のほぼゼロに近い透かし回復率を示す。
  論文  参考訳（メタデータ） (2025-11-14T03:41:24Z)
• Diffusion-Based Image Editing: An Unforeseen Adversary to Robust Invisible Watermarks [4.138397555991069]
  強力な拡散ベースの画像生成と編集モデルは、埋め込みの透かしを不注意に取り除いたり歪んだりすることができる。 本稿では,拡散に基づく画像編集が,最先端のロバストな透かしを効果的に破壊できることを示す理論的,実証的な分析を行う。 画像から透かしを消去するために生成画像再生を用いた拡散誘導攻撃を提案する。
  論文  参考訳（メタデータ） (2025-11-05T16:20:29Z)
• Diffusion-Based Image Editing for Breaking Robust Watermarks [4.273350357872755]
  強力な拡散ベースの画像生成と編集技術は、堅牢なウォーターマーキングスキームに新たな脅威をもたらす。 拡散駆動型画像再生プロセスでは,画像内容の保存中に埋め込み透かしを消去できることを示す。 生成中の透かし信号に特異的な誘導拡散攻撃を導入し,透かし検出性を著しく低下させた。
  論文  参考訳（メタデータ） (2025-10-07T14:34:42Z)
• 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)
• 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)
• 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)
• Robustness of AI-Image Detectors: Fundamental Limits and Practical Attacks [47.04650443491879]
  我々は、透かしやディープフェイク検出器を含む様々なAI画像検出器の堅牢性を分析する。 ウォーターマーキング手法は,攻撃者が実際の画像をウォーターマーキングとして識別することを目的としたスプーフ攻撃に対して脆弱であることを示す。
  論文  参考訳（メタデータ） (2023-09-29T18:30:29Z)
• 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。