論文の概要: DiffusionPrint: Learning Generative Fingerprints for Diffusion-Based Inpainting Localization

• arxiv url: http://arxiv.org/abs/2604.12443v1
• Date: Tue, 14 Apr 2026 08:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.342526
• Title: DiffusionPrint: Learning Generative Fingerprints for Diffusion-Based Inpainting Localization
• Title（参考訳）: DiffusionPrint:Diffusion-based Inpainting Localizationのための生成指紋の学習
• Authors: Paschalis Giakoumoglou, Symeon Papadopoulos,
• Abstract要約: DiffusionPrintは、潜時復号によるスペクトル歪みに頑健な法医学的信号を学ぶ。 これは、同じモデルによって生成された塗装された領域が一貫した生成指紋を共有するという事実を利用する。 複数の生成モデル間のローカライゼーションを一貫して改善する。
• 参考スコア（独自算出の注目度）: 11.097006771680896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern diffusion-based inpainting models pose significant challenges for image forgery localization (IFL), as their full regeneration pipelines reconstruct the entire image via a latent decoder, disrupting the camera-level noise patterns that existing forensic methods rely on. We propose DiffusionPrint, a patch-level contrastive learning framework that learns a forensic signal robust to the spectral distortions introduced by latent decoding. It exploits the fact that inpainted regions generated by the same model share a consistent generative fingerprint, using this as a self-supervisory signal. DiffusionPrint trains a convolutional backbone via a MoCo-style objective with cross-category hard negative mining and a generator-aware classification head, producing a forensic feature map that serves as a highly discriminative secondary modality in fusion-based IFL frameworks. Integrated into TruFor, MMFusion, and a lightweight fusion baseline, DiffusionPrint consistently improves localization across multiple generative models, with gains of up to +28% on mask types unseen during fine-tuning and confirmed generalization to unseen generative architectures. Code is available at https://github.com/mever-team/diffusionprint
• Abstract（参考訳）: 画像フォージェリーローカライゼーション (IFL) は、画像全体を遅延デコーダによって再構築し、既存の法医学的手法が依存するカメラレベルのノイズパターンを乱すため、現代的な拡散ベースの塗装モデルにより、画像のフォージェリーローカライゼーション (IFL) に大きな課題が生じる。 そこで我々はDiffusionPrintを提案する。DiffusionPrintはパッチレベルのコントラスト学習フレームワークで、潜時復号によるスペクトル歪みに頑健な法医学的信号を学習する。 これは、同じモデルによって生成された塗装された領域が、これを自己監督信号として使用して、一貫した生成指紋を共有するという事実を利用する。 DiffusionPrintは、MoCoスタイルの目的により、クロスカテゴリのハードネガティブマイニングとジェネレータ対応の分類ヘッドを使用して畳み込みバックボーンをトレーニングし、フュージョンベースのIFLフレームワークで高い差別的な二次モダリティとして機能する法医学的特徴マップを生成する。 TruFor、MMFusion、軽量核融合ベースラインに統合されたDiffusionPrintは、複数の生成モデル間のローカライゼーションを一貫して改善し、微調整中に見えないマスクタイプで最大28%向上し、生成アーキテクチャの一般化を確認した。 コードはhttps://github.com/mever-team/diffusionprintで入手できる。

関連論文リスト

• JoDiffusion: Jointly Diffusing Image with Pixel-Level Annotations for Semantic Segmentation Promotion [13.484321670536291]
  セマンティックセグメンテーションのための新しいデータセット生成拡散フレームワークJoDiffusionを提案する。 JoDiffusionは、ペア化されたイメージと、テキストプロンプトにのみ条件付きで意味的に一貫性のあるアノテーションマスクを同時に生成できる。 Pascal VOC、COCO、ADE20Kデータセットの実験では、JoDiffusionによって生成された注釈付きデータセットは、既存のメソッドと比較して、セマンティックセグメンテーションにおいて大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2025-12-15T06:21:30Z)
• LATTE: Latent Trajectory Embedding for Diffusion-Generated Image Detection [13.576997219135992]
  LATent Trajectory Embeddingは、複数の認知ステップにまたがる遅延埋め込みの進化をモデル化する新しいアプローチである。 GenImage、Chameleon、Diffusion Forensicsといったいくつかのベンチマークの実験は、LATTEが優れたパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2025-07-03T12:53:47Z)
• PosDiffAE: Position-aware Diffusion Auto-encoder For High-Resolution Brain Tissue Classification Incorporating Artifact Restoration [0.5442686600296733]
  脳画像における領域特異的な細胞パターンを認識するために,拡散自己符号化モデルの潜時空間を構造化する機構を考案する。 また,非教師付き催涙物復元手法を考案し,推論時の潜伏表現と拡散モデルの制約付き生成能力を利用した。
  論文  参考訳（メタデータ） (2025-07-03T07:58:53Z)
• MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
  フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。 既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。 そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-15T13:08:59Z)
• Unified Auto-Encoding with Masked Diffusion [15.264296748357157]
  我々はUMD(Unified Masked Diffusion)と呼ばれる,統合された自己監督的目標を提案する。 UMDは、パッチベースとノイズベースの破損テクニックを1つの自動エンコーディングフレームワークに組み合わせている。 下流の生成および表現学習タスクにおいて、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-25T16:24:34Z)
• DiffDis: Empowering Generative Diffusion Model with Cross-Modal Discrimination Capability [75.9781362556431]
  本稿では,拡散過程下での1つのフレームワークに,モダクティブと差別的事前学習を統一するDiffDisを提案する。 DiffDisは画像生成タスクと画像テキスト識別タスクの両方において単一タスクモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T05:03:48Z)
• DiffGANPaint: Fast Inpainting Using Denoising Diffusion GANs [19.690288425689328]
  本稿では,不足画素を高速に充填できるDDPMモデルを提案する。 汎用画像インパインティングデータセットの実験は、我々のアプローチが現代のほとんどの作品に匹敵する、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:50:41Z)
• Diffusion Hyperfeatures: Searching Through Time and Space for Semantic Correspondence [88.00004819064672]
  Diffusion Hyperfeaturesは、マルチスケールおよびマルチタイムステップの機能マップをピクセル単位の機能記述子に統合するためのフレームワークである。 提案手法は,SPair-71k実画像ベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-23T17:58:05Z)

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。