論文の概要: Gaussian Shannon: High-Precision Diffusion Model Watermarking Based on Communication

• arxiv url: http://arxiv.org/abs/2603.26167v1
• Date: Fri, 27 Mar 2026 08:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.402062
• Title: Gaussian Shannon: High-Precision Diffusion Model Watermarking Based on Communication
• Title（参考訳）: ガウスシャノン:通信に基づく高精度拡散モデル透かし
• Abstract要約: 拡散モデルは高品質な画像を生成するが、著作権侵害や偽情報といった重大なリスクをもたらす。 本稿では,拡散過程をノイズの多い通信チャネルとして扱う透かしフレームワークを提案する。 提案手法は, 微調整や品質損失を伴わずに初期ガウス雑音に透かしを埋め込む。
• 参考スコア（独自算出の注目度）: 4.347817782863135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models generate high-quality images but pose serious risks like copyright violation and disinformation. Watermarking is a key defense for tracing and authenticating AI-generated content. However, existing methods rely on threshold-based detection, which only supports fuzzy matching and cannot recover structured watermark data bit-exactly, making them unsuitable for offline verification or applications requiring lossless metadata (e.g., licensing instructions). To address this problem, in this paper, we propose Gaussian Shannon, a watermarking framework that treats the diffusion process as a noisy communication channel and enables both robust tracing and exact bit recovery. Our method embeds watermarks in the initial Gaussian noise without fine-tuning or quality loss. We identify two types of channel interference, namely local bit flips and global stochastic distortions, and design a cascaded defense combining error-correcting codes and majority voting. This ensures reliable end-to-end transmission of semantic payloads. Experiments across three Stable Diffusion variants and seven perturbation types show that Gaussian Shannon achieves state-of-the-art bit-level accuracy while maintaining a high true positive rate, enabling trustworthy rights attribution in real-world deployment. The source code have been made available at: https://github.com/Rambo-Yi/Gaussian-Shannon
• Abstract（参考訳）: 拡散モデルは高品質な画像を生成するが、著作権侵害や偽情報といった重大なリスクをもたらす。 ウォーターマーキングは、AI生成コンテンツをトレースし、認証するための鍵となる防御である。 しかし、既存の手法は、ファジィマッチングのみをサポートし、構造化された透かしデータをビット的に復元できないしきい値ベースの検出に依存しており、オフライン検証やロスレスメタデータを必要とするアプリケーション(例えばライセンス命令)には適さない。 本稿では,拡散過程をノイズの多い通信チャネルとして扱い,ロバストなトレースと正確なビット復元を可能にする透かしフレームワークであるGaussian Shannonを提案する。 提案手法は, 微調整や品質損失を伴わずに初期ガウス雑音に透かしを埋め込む。 我々は,局所ビットフリップと大域確率歪みという2種類のチャネル干渉を同定し,誤り訂正符号と多数決投票を組み合わせたケースドディフェンスを設計する。 これにより、セマンティックペイロードの信頼性の高いエンドツーエンドの送信が保証される。 3つの安定拡散変種と7つの摂動型にまたがる実験により、ガウス・シャノンは高い正の確率を維持しながら最先端のビットレベルの精度を達成し、現実世界の展開において信頼できる権利帰属を可能にすることを示した。 ソースコードはhttps://github.com/Rambo-Yi/Gaussian-Shannonで公開されている。

関連論文リスト

• DeepFreqMark: End-To-End Learnable Frequency-Domain Watermarking with Spherical Attack Simulation for Latent Diffusion Models [1.0603443346390629]
  既存の周波数領域透かし法は、手作りの幾何学的パターンを生成前の初期潜時雑音に埋め込む。 我々は、手動のパターンエンジニアリングをニューラルメッセージエンコーダとデコーダに置き換える、エンドツーエンドで学習可能な周波数領域透かしフレームワークであるDeepFreqMarkを提案する。
  論文  参考訳（メタデータ） (2026-08-10T01:36:22Z)
• OSI: One-step Inversion Excels in Extracting Diffusion Watermarks [56.210696479553945]
  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。
  論文  参考訳（メタデータ） (2026-02-10T07:43:16Z)
• 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)
• 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)
• Gaussian Shading++: Rethinking the Realistic Deployment Challenge of Performance-Lossless Image Watermark for Diffusion Models [66.54457339638004]
  著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。 本研究では,実世界の展開に適した拡散モデル透かし手法を提案する。 Gaussian Shading++はパフォーマンスのロスレス性を維持するだけでなく、ロバスト性の観点からも既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-04-21T11:18:16Z)
• Gaussian Shading: Provable Performance-Lossless Image Watermarking for Diffusion Models [71.13610023354967]
  著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。 本研究では,性能ロスレスかつトレーニング不要な拡散モデル透かし手法を提案する。
  論文  参考訳（メタデータ） (2024-04-07T13:30:10Z)
• Tree-Ring Watermarks: Fingerprints for Diffusion Images that are Invisible and Robust [55.91987293510401]
  生成モデルのアウトプットを透かしは、著作権をトレースし、AI生成コンテンツによる潜在的な害を防ぐ重要なテクニックである。 本稿では,拡散モデル出力を頑健にフィンガープリントするTree-Ring Watermarkingという新しい手法を提案する。 私たちの透かしは画像空間に意味的に隠れており、現在デプロイされている透かしよりもはるかに堅牢です。
  論文  参考訳（メタデータ） (2023-05-31T17:00:31Z)

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。