論文の概要: Decomposing Private Image Generation via Coarse-to-Fine Wavelet Modeling

• arxiv url: http://arxiv.org/abs/2602.23262v1
• Date: Thu, 26 Feb 2026 17:36:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.817503
• Title: Decomposing Private Image Generation via Coarse-to-Fine Wavelet Modeling
• Title（参考訳）: 粗いウェーブレットモデリングによるプライベート画像生成の分解
• Authors: Jasmine Bayrooti, Weiwei Kong, Natalia Ponomareva, Carlos Esteves, Ameesh Makadia, Amanda Prorok,
• Abstract要約: 画像の最もプライバシーに敏感な部分はウェーブレット空間の低周波成分である、という仮説に基づくスペクトルDPフレームワークを提案する。 最初の段階では、画像のグローバル構造にプライバシー予算を制限し、DPのポストプロセッシング特性を細部の改良に活用することにより、プライバシーと実用性の間の有望なトレードオフを実現する。
• 参考スコア（独自算出の注目度）: 25.30412582520304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models trained on sensitive image datasets risk memorizing and reproducing individual training examples, making strong privacy guarantees essential. While differential privacy (DP) provides a principled framework for such guarantees, standard DP finetuning (e.g., with DP-SGD) often results in severe degradation of image quality, particularly in high-frequency textures, due to the indiscriminate addition of noise across all model parameters. In this work, we propose a spectral DP framework based on the hypothesis that the most privacy-sensitive portions of an image are often low-frequency components in the wavelet space (e.g., facial features and object shapes) while high-frequency components are largely generic and public. Based on this hypothesis, we propose the following two-stage framework for DP image generation with coarse image intermediaries: (1) DP finetune an autoregressive spectral image tokenizer model on the low-resolution wavelet coefficients of the sensitive images, and (2) perform high-resolution upsampling using a publicly pretrained super-resolution model. By restricting the privacy budget to the global structures of the image in the first stage, and leveraging the post-processing property of DP for detail refinement, we achieve promising trade-offs between privacy and utility. Experiments on the MS-COCO and MM-CelebA-HQ datasets show that our method generates images with improved quality and style capture relative to other leading DP image frameworks.
• Abstract（参考訳）: センシティブなイメージデータセットに基づいてトレーニングされた生成モデルは、個々のトレーニング例を記憶して再現するリスクがあり、強力なプライバシ保証が不可欠である。 差分プライバシー(DP)はそのような保証のための原則的な枠組みを提供するが、標準のDP微調整(例えば、DP-SGD)は、特に高周波テクスチャにおいて、すべてのモデルパラメータにノイズが無差別に付加されるため、画像品質の深刻な劣化をもたらすことが多い。 本研究では,画像の最もプライバシーに敏感な部分はウェーブレット空間(例えば,顔の特徴や物体形状)の低周波成分であり,高周波成分は概ね汎用的で公開である,という仮説に基づくスペクトルDPフレームワークを提案する。 この仮説に基づいて,(1) DPファインチューンにより, 感度画像の低分解能ウェーブレット係数に基づいて自己回帰スペクトル画像トークン化モデルを構築し, (2) 事前訓練された超解像モデルを用いて高分解能アップサンプリングを行う。 最初の段階では、画像のグローバル構造にプライバシー予算を制限し、DPのポストプロセッシング特性を細部の改良に活用することにより、プライバシーと実用性の間の有望なトレードオフを実現する。 MS-COCOおよびMM-CelebA-HQデータセットを用いた実験により,本手法は,他のDP画像フレームワークと比較して品質とスタイルを向上した画像を生成する。

関連論文リスト

• DPImageBench: A Unified Benchmark for Differentially Private Image Synthesis [18.158096061348157]
  差分プライベート(DP)画像合成は、データセット内の個々の画像のプライバシーを保護しながら、機密画像の特性を保持する人工画像を生成することを目的としている。 近年の進歩にもかかわらず、不整合かつ時には欠陥のある評価プロトコルが研究全体で適用されている。 本稿では,DP画像合成のためのDPImageBenchについて述べる。
  論文  参考訳（メタデータ） (2025-03-18T19:37:35Z)
• Self-supervised Deep Hyperspectral Inpainting with the Plug and Play and Deep Image Prior Models [6.8557067473167415]
  ハイパースペクトル画像は、典型的には数百の狭く連続したスペクトルバンドで構成され、それぞれが撮像されたシーンの構成に関する情報を含んでいる。 これらの画像は、様々なノイズ、歪みデータ、材料損失の影響を受け、品質と有用性を著しく低下させることができる。 本稿では,DHPの不安定性問題に対処するアルゴリズム LRS-nt-DIP を提案する。
  論文  参考訳（メタデータ） (2025-01-14T15:18:28Z)
• Differentially Private Adaptation of Diffusion Models via Noisy Aggregated Embeddings [23.687702204151872]
  Textual Inversion (TI)は、画像や画像の集合に対する埋め込みベクトルを学習し、差分プライバシー制約の下で適応を可能にする。 DPAgg-TIはDP-SGDファインタニングを同一のプライバシー予算の下で実用性と堅牢性の両方で上回ることを示す。
  論文  参考訳（メタデータ） (2024-11-22T00:09:49Z)
• High-Precision Dichotomous Image Segmentation via Probing Diffusion Capacity [69.32473738284374]
  拡散モデルは、例外的な品質、詳細な解像度、強い文脈認識を提供することによって、テキストと画像の合成に革命をもたらした。 本稿では,拡散モデルにおける事前学習されたU-Netのポテンシャルを利用する拡散駆動セグメンテーションモデルDiffDISを提案する。 DIS5Kデータセットの実験は、DiffDISの優位性を示し、合理化された推論プロセスを通じて最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-14T02:49:23Z)
• QMambaBSR: Burst Image Super-Resolution with Query State Space Model [55.56075874424194]
  バースト超解像度は、複数のバースト低解像度フレームからサブピクセル情報を融合することにより、高画質でよりリッチな細部で高解像度の画像を再構成することを目的としている。 BusrtSRにおいて鍵となる課題は、高周波ノイズ障害を同時に抑制しつつ、ベースフレームの補完的なサブピクセルの詳細を抽出することである。 本稿では,Query State Space Model (QSSM) とAdaptive Up-Sampling Module (AdaUp) を組み合わせた新しいQuery Mamba Burst Super-Resolution (QMambaBSR) ネットワークを紹介する。
  論文  参考訳（メタデータ） (2024-08-16T11:15:29Z)
• Generative Diffusion Prior for Unified Image Restoration and Enhancement [62.76390152617949]
  既存の画像復元法は、主に自然画像の後方分布を利用する。 教師なしサンプリング方式で後部分布を効果的にモデル化するための生成拡散優先(GDP)を提案する。 GDPは、線形逆問題、非線形問題、ブラインド問題を解くために、プレトレインデノナイジング拡散生成モデル(DDPM)を利用する。
  論文  参考訳（メタデータ） (2023-04-03T16:52:43Z)
• Universal Face Restoration With Memorized Modulation [73.34750780570909]
  本稿では,ユニバーサルブラインド顔修復(BFR)のための記憶変調(RMM)フレームワークを提案する。 ランダムノイズと教師なしウェーブレットメモリを適用し、顔強調生成装置を適応的に変調する。 実験により,提案手法が最先端の手法と比較して優れていること,野生における優れた一般化が示された。
  論文  参考訳（メタデータ） (2021-10-03T15:55:07Z)

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。