論文の概要: On the Robustness of Watermarking for Autoregressive Image Generation

• arxiv url: http://arxiv.org/abs/2604.11720v1
• Date: Mon, 13 Apr 2026 16:56:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.697639
• Title: On the Robustness of Watermarking for Autoregressive Image Generation
• Title（参考訳）: 自己回帰画像生成のための透かしのロバスト性について
• Authors: Andreas Müller, Denis Lukovnikov, Shingo Kodama, Minh Pham, Anubhav Jain, Jonathan Petit, Niv Cohen, Asja Fischer,
• Abstract要約: 自己回帰(AR)画像生成装置は、モデル崩壊を防ぐために、出力の信頼性の高い検出と属性を要求する。 ARモデル用に特別に設計された透かし技術は、世代毎に微妙な信号を埋め込んで、下流の検証を可能にする。 これらのスキームを検証し,ウォーターマーク除去と偽造攻撃の両方に対する脆弱性を実証する。
• 参考スコア（独自算出の注目度）: 21.402408065930796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of autoregressive (AR) image generators demands reliable detection and attribution of their outputs to mitigate misinformation, and to filter synthetic images from training data to prevent model collapse. To address this need, watermarking techniques, specifically designed for AR models, embed a subtle signal at generation time, enabling downstream verification through a corresponding watermark detector. In this work, we study these schemes and demonstrate their vulnerability to both watermark removal and forgery attacks. We assess existing attacks and further introduce three new attacks: (i) a vector-quantized regeneration removal attack, (ii) adversarial optimization-based attack, and (iii) a frequency injection attack. Our evaluation reveals that removal and forgery attacks can be effective with access to a single watermarked reference image and without access to original model parameters or watermarking secrets. Our findings indicate that existing watermarking schemes for AR image generation do not reliably support synthetic content detection for dataset filtering. Moreover, they enable Watermark Mimicry, whereby authentic images can be manipulated to imitate a generator's watermark and trigger false detection to prevent their inclusion in future model training.
• Abstract（参考訳）: 自己回帰(AR)画像生成装置の拡散は、その出力の確実な検出と帰属を要求され、誤報を軽減し、合成画像をトレーニングデータからフィルタリングし、モデル崩壊を防止する。 このニーズに対処するために、ARモデル用に特別に設計された透かし技術は、微妙な信号を生成時に埋め込み、対応する透かし検出器による下流の検証を可能にする。 本研究は,これらのスキームを検証し,透かし除去と偽造攻撃の両方に対する脆弱性を実証するものである。 既存の攻撃を評価し、さらに3つの新たな攻撃を導入する。 i)ベクトル量子化再生除去攻撃 (二 敵の最適化に基づく攻撃、及び (三)周波数注入攻撃。 評価の結果,1つの透かし付き参照画像にアクセスでき,元のモデルパラメータや透かし秘密にアクセスできない場合に,除去と偽造攻撃が有効であることが明らかとなった。 以上の結果から,AR画像生成のための既存の透かし方式は,データセットフィルタリングのための合成コンテンツ検出を確実にサポートしていないことが示唆された。 さらに、Watermark Mimicryを有効にすることで、実際の画像を操作してジェネレータの透かしを模倣し、偽検出をトリガーすることで、将来のモデルトレーニングへの関与を防ぐことができる。

関連論文リスト

• 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)
• Towards Dataset Copyright Evasion Attack against Personalized Text-to-Image Diffusion Models [52.877452505561706]
  データセットのオーナシップ検証(DOV)を損なうよう特別に設計された最初の著作権回避攻撃を提案する。 CEAT2Iは, 試料検出, トリガー同定, 効率的な透かし除去の3段階からなる。 実験の結果,CEAT2I はモデル性能を保ちながら DOV 機構を効果的に回避できることがわかった。
  論文  参考訳（メタデータ） (2025-05-05T17:51:55Z)
• SEAL: Semantic Aware Image Watermarking [26.606008778795193]
  本稿では,生成した画像のセマンティック情報を透かしに直接埋め込む新しい透かし手法を提案する。 キーパターンは、局所性に敏感なハッシュを用いて画像のセマンティック埋め込みから推測することができる。 以上の結果から,画像生成モデルによるリスクを軽減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-03-15T15:29:05Z)
• Robustness of Watermarking on Text-to-Image Diffusion Models [9.277492743469235]
  本稿では,透かし埋め込みとテキスト・ツー・イメージ・ジェネレーション処理を統合することで生成する透かしの堅牢性について検討する。 生成型透かし法は, 識別器による攻撃やエッジ予測に基づく攻撃のエッジ情報に基づく操作など, 直接回避攻撃に対して堅牢であるが, 悪意のある微調整には脆弱であることがわかった。
  論文  参考訳（メタデータ） (2024-08-04T13:59:09Z)
• Towards Robust Model Watermark via Reducing Parametric Vulnerability [57.66709830576457]
  バックドアベースのオーナシップ検証が最近人気となり,モデルオーナがモデルをウォーターマークすることが可能になった。 本研究では,これらの透かし除去モデルを発見し,それらの透かし挙動を復元するミニマックス定式化を提案する。 本手法は,パラメトリックな変化と多数のウォーターマーク除去攻撃に対するモデル透かしの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2023-09-09T12:46:08Z)
• Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
  高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。 安全で堅牢なバックドア型透かし注入法を提案する。 我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
  論文  参考訳（メタデータ） (2023-09-04T19:58:35Z)
• 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。