論文の概要: SHIFT: Stochastic Hidden-Trajectory Deflection for Removing Diffusion-based Watermark

• arxiv url: http://arxiv.org/abs/2603.29742v2
• Date: Wed, 01 Apr 2026 13:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.631161
• Title: SHIFT: Stochastic Hidden-Trajectory Deflection for Removing Diffusion-based Watermark
• Title（参考訳）: ShiFT:拡散に基づく透かし除去のための確率的隠れ軌道偏向
• Authors: Rui Bao, Zheng Gao, Xiaoyu Li, Xiaoyan Feng, Yang Song, Jiaojiao Jiang,
• Abstract要約: 拡散に基づく透かし法は、初期雑音や逆拡散軌道を操作することで印を埋め込む。 我々は、様々なウォーターマーキングパラダイムにまたがるこの共通の弱点を利用する、トレーニング不要な攻撃であるShiftを提案する。 そこで本研究では,シークエンスの品質を損なうことなく,シークエンス固有の知識やモデル再訓練を必要とせず,95%～100%の攻撃成功率を達成することを示す。
• 参考スコア（独自算出の注目度）: 9.706332101916248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based watermarking methods embed verifiable marks by manipulating the initial noise or the reverse diffusion trajectory. However, these methods share a critical assumption: verification can succeed only if the diffusion trajectory can be faithfully reconstructed. This reliance on trajectory recovery constitutes a fundamental and exploitable vulnerability. We propose $\underline{\mathbf{S}}$tochastic $\underline{\mathbf{Hi}}$dden-Trajectory De$\underline{\mathbf{f}}$lec$\underline{\mathbf{t}}$ion ($\mathbf{SHIFT}$), a training-free attack that exploits this common weakness across diverse watermarking paradigms. SHIFT leverages stochastic diffusion resampling to deflect the generative trajectory in latent space, making the reconstructed image statistically decoupled from the original watermark-embedded trajectory while preserving strong visual quality and semantic consistency. Extensive experiments on nine representative watermarking methods spanning noise-space, frequency-domain, and optimization-based paradigms show that SHIFT achieves 95%--100% attack success rates with nearly no loss in semantic quality, without requiring any watermark-specific knowledge or model retraining.
• Abstract（参考訳）: 拡散に基づく透かし法は、初期雑音や逆拡散軌道を操作することによって検証可能なマークを埋め込む。 しかし、これらの手法は重要な仮定を共有しており、拡散軌道が忠実に再構成される場合にのみ検証が成功する。 この軌道回復への依存は、基本的で悪用可能な脆弱性を構成する。 我々は、様々なウォーターマークパラダイムにまたがってこの共通の弱点を利用するトレーニングフリー攻撃である$\underline{\mathbf{S}}$tochastic $\underline{\mathbf{Hi}}$dden-Trajectory De$\underline{\mathbf{f}}$lec$\underline{\mathbf{t}}$ion ($\mathbf{SHIFT}$} を提案する。 ShiFTは確率拡散再サンプリングを利用して、潜在空間における生成軌道を偏向し、再構成された画像は、強い視覚的品質とセマンティック一貫性を維持しながら、元の透かし埋め込み軌道から統計的に分離する。 雑音空間、周波数領域、最適化に基づく9つの代表的な透かし手法に関する広範な実験により、SHFTは、透かし固有の知識やモデル再訓練を必要とせず、意味的品質をほとんど失わず、95%から100%の攻撃成功率を達成した。

関連論文リスト

• Gaussian Shannon: High-Precision Diffusion Model Watermarking Based on Communication [4.347817782863135]
  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。
  論文  参考訳（メタデータ） (2026-03-27T08:34:53Z)
• SLICE: Semantic Latent Injection via Compartmentalized Embedding for Image Watermarking [13.169581979130058]
  拡散モデルの初期のノイズを透かしは、画像の出現に有望なアプローチとして現れている。 近年のセマンティック・アウェア・ウォーターマーキングは画像意味論の条件付けによるロバスト性の向上を図っている。 我々は$underlinetextbfS$emantic $underlinetextbfL$atent $underlinetextbfI$njection via $underlinetextbfC$ompartmentalized $underlinetextbfE$mを提案する。
  論文  参考訳（メタデータ） (2026-03-13T07:49:01Z)
• 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)
• 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)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• 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)
• Attack-Resilient Image Watermarking Using Stable Diffusion [24.40254115319263]
  トレーニング済みの安定拡散モデルを用いて,トレーニング可能な潜在空間に透かしを注入するZoDiacを提案する。 ZoDiacは最先端の透かし攻撃に対して堅牢であり、透かし検出率は98%以上、偽陽性率は6.4%以下である。 我々の研究は、安定拡散は堅牢な透かしへの有望なアプローチであり、安定拡散に基づく攻撃にも耐えられることを示した。
  論文  参考訳（メタデータ） (2024-01-08T21:42:56Z)

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。