論文の概要: Audio Pirates: Black-box Audio Watermark Removal via Diffusion Priors

• arxiv url: http://arxiv.org/abs/2605.30614v1
• Date: Thu, 28 May 2026 22:07:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.263079
• Title: Audio Pirates: Black-box Audio Watermark Removal via Diffusion Priors
• Title（参考訳）: オーディオ・パイレーツ:拡散プリミティブによるブラックボックスによるオーディオ・透かし除去
• Authors: Lingfeng Yao, Xincong Zhong, Chenpei Huang, Xuandong Zhao, Hanqing Guo, Aohan Li, Jiang Liu, Tomoaki Ohtsuki, Miao Pan,
• Abstract要約: 対象の透かし方式の知識を前提としないブラックボックス型透かし除去攻撃であるDiffEraseを提案する。 DiffEraseは複数のオーディオ領域にまたがる知覚品質を維持しながら、常に透かしを除去する。 これらの知見は,拡散型脅威を考慮した将来の音声透かし設計の必要性を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 44.562700127905295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of AI-generated audio, watermarking has become widely used for detecting misuse and protecting intellectual property. However, adversaries may try to remove these watermarks, making it critical to evaluate how well watermarking schemes withstand removal attacks. Existing attacks are often impractical: they either noticeably degrade perceptual quality or require access to the watermarking scheme. We propose DiffErase, a black-box watermark removal attack that assumes no knowledge of the target watermarking scheme while maintaining perceptual quality. DiffErase perturbs watermarked audio to an intermediate diffusion noise level and regenerates it using a pretrained denoising model, effectively suppressing watermark signals. Theoretical analysis and extensive experiments demonstrate that inaudible audio watermarks are highly vulnerable: across multiple audio domains, DiffErase consistently removes watermarks while preserving perceptual quality. These findings highlight the need for future audio watermarking designs to consider diffusion-based threats. Code and demos are available at https://differase.github.io/DiffErase/.
• Abstract（参考訳）: AI生成オーディオの台頭に伴い、ウォーターマーキングは誤用の検出や知的財産保護に広く利用されている。 しかし、敵はこれらの透かしを取り除こうとするかもしれない。 既存の攻撃はしばしば非現実的であり、知覚的品質を著しく低下させるか、透かし方式にアクセスする必要がある。 本稿では,ブラックボックスによる透かし除去攻撃であるDiffEraseを提案する。 DiffEraseは、透かし音声を中間拡散雑音レベルに変換し、予め訓練された復調モデルを用いて再生し、透かし信号を効果的に抑制する。 複数のオーディオドメインにわたって、DiffEraseは知覚品質を維持しながら常に透かしを除去します。 これらの知見は,拡散型脅威を考慮した将来の音声透かし設計の必要性を浮き彫りにした。 コードとデモはhttps://differase.github.io/DiffErase/.comで公開されている。

関連論文リスト

• HarmonicAttack: An Adaptive Cross-Domain Audio Watermark Removal [12.931496380963802]
  AI生成オーディオの誤用に対する重要な防御は、それを透かし、本物のオーディオと容易に区別できるようにすることである。 従来の透かし除去方式は、取り外すために設計された透かしの非現実的な知識を前提とするか、計算的に高価である。 本稿では,ハイモニックアタック(HarmonicAttack)について紹介する。
  論文  参考訳（メタデータ） (2025-11-26T16:51:20Z)
• The Impact of Audio Watermarking on Audio Anti-Spoofing Countermeasures [5.250755043845844]
  本稿では,音声透かしがスプーフィング対策に与える影響について検討する。 我々はWatermark-Spoofingデータセットという,透かし強化されたトレーニングと評価データセットを構築した。 実験の結果, 透かし性能は一貫して低下し, 透かし密度は高いEERと相関していることがわかった。
  論文  参考訳（メタデータ） (2025-09-25T04:34:39Z)
• Yours or Mine? Overwriting Attacks against Neural Audio Watermarking [21.297468818273064]
  我々は、正規の音声透かしを偽造で上書きする、シンプルだが強力な攻撃を開発する。 対戦相手が持つ音声透かし情報に基づいて,オーバライト攻撃の3つのカテゴリを提案する。 実験により,提案したオーバーライト攻撃が既存の透かし方式を効果的に損なうことを示した。
  論文  参考訳（メタデータ） (2025-09-06T21:23:44Z)
• Forging and Removing Latent-Noise Diffusion Watermarks Using a Single Image [24.513881574366046]
  従来の透かし方式は、初期ノイズに秘密鍵を埋め込む。 拡散モデルウェイトへのアクセスを前提としないブラックボックス逆襲攻撃を提案する。 また,この領域を抜け出すために摂動を学習することで,透かし除去にも同様のアプローチが適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-04-27T18:29:26Z)
• Robust and Minimally Invasive Watermarking for EaaS [50.08021440235581]
  組み込み・アズ・ア・サービス(Eding)はAIアプリケーションにおいて重要な役割を担っている。 編集はモデル抽出攻撃に対して脆弱であり、著作権保護の必要性を強調している。 そこで我々は,Edingの著作権保護を堅牢にするための新しい埋め込み専用透かし (ESpeW) 機構を提案する。
  論文  参考訳（メタデータ） (2024-10-23T04:34:49Z)
• Perceptive self-supervised learning network for noisy image watermark removal [59.440951785128995]
  雑音の多い画像透かし除去のための知覚的自己教師型学習ネットワーク(PSLNet)を提案する。 提案手法は,雑音の多い画像透かし除去のための一般的な畳み込みニューラルネットワーク(CNN)と比較して非常に効果的である。
  論文  参考訳（メタデータ） (2024-03-04T16:59:43Z)
• Robustness of AI-Image Detectors: Fundamental Limits and Practical Attacks [47.04650443491879]
  我々は、透かしやディープフェイク検出器を含む様々なAI画像検出器の堅牢性を分析する。 ウォーターマーキング手法は,攻撃者が実際の画像をウォーターマーキングとして識別することを目的としたスプーフ攻撃に対して脆弱であることを示す。
  論文  参考訳（メタデータ） (2023-09-29T18:30:29Z)
• Invisible Image Watermarks Are Provably Removable Using Generative AI [47.25747266531665]
  Invisibleの透かしは、所有者によってのみ検出可能な隠されたメッセージを埋め込むことで、画像の著作権を保護する。 我々は、これらの見えない透かしを取り除くために、再生攻撃のファミリーを提案する。 提案手法は,まず画像にランダムノイズを加えて透かしを破壊し,画像を再構成する。
  論文  参考訳（メタデータ） (2023-06-02T23:29:28Z)
• Certified Neural Network Watermarks with Randomized Smoothing [64.86178395240469]
  本稿では,ディープラーニングモデルのための認証型透かし手法を提案する。 我々の透かしは、モデルパラメータが特定のl2しきい値以上変更されない限り、取り外し不可能であることが保証されている。 私たちの透かしは、従来の透かし法に比べて経験的に頑丈です。
  論文  参考訳（メタデータ） (2022-07-16T16:06:59Z)

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。