論文の概要: PGID: Progressive Guided Inversion and Denoising for Robust Watermark Detection

• arxiv url: http://arxiv.org/abs/2605.09319v1
• Date: Sun, 10 May 2026 04:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.189974
• Title: PGID: Progressive Guided Inversion and Denoising for Robust Watermark Detection
• Title（参考訳）: PGID(Progressive Guided Inversion and Denoising for Robust Watermark Detection)
• Authors: Minh Quoc Duong, Chun Tong Lei, Chun Pong Lau,
• Abstract要約: 意味的透かしの拡散反転への依存は、透かしの検出に重大な脆弱性を生み出す。 本稿では,2つの攻撃戦略を防御する最初のプラグ・アンド・プレイ・トレーニングフリーノイズ抽出フレームワークであるプログレッシブガイド・インバージョン・デノイング(PGID)を提案する。
• 参考スコア（独自算出の注目度）: 2.9276293999058898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the proliferation of AI-generated images, digital watermarking has become an essential safeguard for protecting intellectual property and mitigating malicious exploitation. Recent works on semantic watermarking have enabled efficient copyright protection for diffusion models. However, the dependence of semantic watermarking on diffusion inversion for watermark detection creates a critical vulnerability. Imprint removal and forgery attacks exploit this weakness to produce deceptive results. Our analysis reveals that these attacks succeed by displacing watermarked latents into the unwatermarked region, while guiding unwatermarked latents into the watermarked region. Based on that, we propose Progressive Guided Inversion and Denoising (PGID), the first plug-and-play, training-free noise extraction framework designed to defend against both attack strategies. PGID effectively defends by projecting perturbed latents back to the region where they originally belong. The projection is achieved by eliminating intermediate latent deflections and mitigating adversarial perturbations through progressive inversion-denoising cycles. Comprehensive evaluations across multiple schemes demonstrate that PGID successfully restores detection reliability by recovering removed watermarks and identifying forged instances.
• Abstract（参考訳）: AI生成画像の拡散に伴い、デジタル透かしは知的財産の保護と悪意ある搾取の緩和に不可欠な保護手段となっている。 セマンティックな透かしに関する最近の研究は、拡散モデルの効率的な著作権保護を可能にしている。 しかし,透かし検出の拡散反転に対する意味的透かしの依存性は重大な脆弱性を生じさせる。 インプリント除去と偽造攻撃は、この弱点を利用して偽りの結果を生み出す。 解析の結果,これらの攻撃は,透かしのない潜水剤を透かしのない海域に放出し,透かしのない潜水剤を透かし領域に誘導することに成功した。 そこで我々は,2つの攻撃戦略に対する防御を目的とした,最初のプラグ・アンド・プレイ・トレーニングフリーノイズ抽出フレームワークであるプログレッシブガイド・インバージョン・デノイング(PGID)を提案する。 PGIDは、もともと属していた地域に潜伏した潜伏者を投射することで効果的に防御する。 プロジェクションは、中間潜時偏向を除去し、プログレッシブ・インバージョン・デノゲーション・サイクルを通じて逆方向の摂動を緩和することで達成される。 複数のスキームにわたる総合的な評価は、PGIDが除去された透かしを復元し、偽造されたインスタンスを識別することで、検出信頼性の回復に成功していることを示している。

関連論文リスト

• RecoverMark: Robust Watermarking for Localization and Recovery of Manipulated Faces [16.612226216769262]
  本稿では,ロバストな操作ローカライゼーション,コンテンツリカバリ,オーナシップ検証を同時に実現する透かしフレームワークであるRecoverMarkを提案する。 まず、視覚的な検出を避けるために、敵は背景のセマンティックな一貫性を保たなければならない。 これらの洞察に基づいて、RecoverMarkは保護された顔コンテンツ自体を透かしとして扱い、周囲の背景に埋め込む。
  論文  参考訳（メタデータ） (2026-02-24T07:11:40Z)
• StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models [55.05404953041403]
  拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。 画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-22T16:35:19Z)
• Character-Level Perturbations Disrupt LLM Watermarks [64.60090923837701]
  我々は,Large Language Model (LLM)ウォーターマーキングのためのシステムモデルを定式化する。 我々は、透かし検出器への限られたアクセスに制約された2つの現実的な脅威モデルの特徴付けを行う。 我々は,最も制限的な脅威モデルの下で,キャラクタレベルの摂動が透かし除去に著しく有効であることを実証した。 現実的な制約下での透かし除去における文字レベルの摂動の優位性と遺伝的アルゴリズム(GA)の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2025-09-11T02:50:07Z)
• SWA-LDM: Toward Stealthy Watermarks for Latent Diffusion Models [11.906245347904289]
  埋め込みプロセスのランダム化によって透かしを強化する新しい手法であるSWA-LDMを紹介する。 提案する透かし攻撃は,既存の潜水式透かし法の本質的脆弱性を明らかにする。 この研究は、LDM生成画像の不正使用に対する保護に向けた重要なステップである。
  論文  参考訳（メタデータ） (2025-02-14T16:55:45Z)
• Robust Identity Perceptual Watermark Against Deepfake Face Swapping [9.402982368385569]
  ディープフェイク・フェイススワップは、ディープジェネレーティブ・モデルの急速な開発で重要なプライバシー問題を引き起こしている。 本稿では,Deepfakeの顔スワップに対する検出とソーストレースを同時に行う,堅牢なアイデンティティ認識型透かしフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T16:04:32Z)
• 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)

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。