論文の概要: Bypassing Copyright Protection in Diffusion-based Customization via Two-Stage Latent Feature Optimization

• arxiv url: http://arxiv.org/abs/2606.09909v1
• Date: Sat, 06 Jun 2026 07:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.039478
• Title: Bypassing Copyright Protection in Diffusion-based Customization via Two-Stage Latent Feature Optimization
• Title（参考訳）: 2段階遅延特徴最適化による拡散型カスタマイズにおける著作権保護の回避
• Authors: Ziang Xu, Wenbo Yu, Hongyao Yu, Hao Fang, Jiawei Kong, Bin Chen, Hao Wu, Shu-Tao Xia, Zhiyong Wu,
• Abstract要約: 敵対的攻撃は 個人化された画像生成において 悪意のあるコンテンツの偽造を防ぐ 防衛戦略として浮上した 本稿では,2段階遅延特徴最適化 (TS-LFO) を導入する。 広範な実験により、TS-LFOは、最先端のSOTA著作権防衛を一貫して回避し、DiffPure、GrIDPure、IMPRESSなどのSOTA著作権攻撃より優れていることが示されている。
• 参考スコア（独自算出の注目度）: 51.33055188976282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing concerns over copyright infringement in diffusion-based customization, adversarial attacks have emerged as a prominent defense strategy to prevent malicious content forgery in personalized image generation. However, current defenses typically introduce persistent perturbations in the latent space of Latent Diffusion Models (LDMs), which remain susceptible to adaptive bypasses by adversaries. In this paper, we introduce Two-Stage Latent Feature Optimization (TS-LFO), an efficient and effective copyright-stealing attack against protected diffusion-based customization. We begin by observing that existing defenses primarily disrupt the mapping between input images and their latent representations, thereby degrading the model's ability to produce personalized outputs. To counteract this, TS-LFO restores the broken mapping through a two-stage optimization process. In the Latent Denoising Stage, we enhance semantic consistency between latent codes and input images by jointly minimizing a Latent-Image Alignment Loss and a Latent Diffusion Loss with timestep-dependent weights, effectively suppressing the high-frequency noise introduced by defenses. In the Latent Reconstruction Stage, we recover low-frequency semantic information using pixel-level constraints to refine the latent features. Extensive experiments show that TS-LFO consistently bypasses state-of-the-art (SOTA) copyright defenses and outperforms SOTA copyright attacks such as DiffPure, GrIDPure and IMPRESS across diverse settings.
• Abstract（参考訳）: 拡散に基づくカスタマイズにおける著作権侵害に対する懸念が高まり、個人化された画像生成における悪意のあるコンテンツの偽造を防ぐための防衛戦略として敵の攻撃が目立つようになった。 しかし、現在の防御は一般的に、敵による適応的バイパスの影響を受けない潜在拡散モデル(LDM)の潜伏空間に永続的な摂動をもたらす。 本稿では,2段階遅延特徴最適化(TS-LFO)を提案する。 まず,既存のディフェンスが主に入力画像とその潜在表現のマッピングを妨害し,パーソナライズされた出力を生成するモデルの能力を低下させることから始める。 これに対抗するため、TS-LFOは2段階最適化プロセスを通じて壊れたマッピングを復元する。 潜時デノナイジング段階において、潜時画像アライメント損失と潜時拡散損失を時間に依存した重み付きで最小化することにより、潜時符号と入力画像間のセマンティック一貫性を向上し、防御によってもたらされる高周波ノイズを効果的に抑制する。 遅延再構成段階において、画素レベルの制約を用いて低周波意味情報を復元し、潜時特徴を洗練させる。 広範な実験により、TS-LFOは最新技術(SOTA)の著作権防衛を一貫して回避し、DiffPure、GrIDPure、IMPRESSなどのSOTA著作権攻撃よりも優れていることが示されている。

関連論文リスト

• Latent Diffusion Unlearning: Protecting Against Unauthorized Personalization Through Trajectory Shifted Perturbations [18.024767641200064]
  本稿では,拡散モデルの潜在空間内で機能するモデルベース摂動戦略を提案する。 本手法は,拡散モデルにおいて,デノナイジング軌道の開始点を変更しながら,デノナイジングとインバージョンを交互に行う。 我々は4つのベンチマークデータセットにアプローチを検証し、最先端の逆攻撃に対する堅牢性を実証する。
  論文  参考訳（メタデータ） (2025-10-03T15:18:45Z)
• 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)
• Active Adversarial Noise Suppression for Image Forgery Localization [56.98050814363447]
  本稿では、敵騒音の攻撃効果を抑制するために、防御的摂動を発生させる敵騒音抑制モジュール(ANSM)を提案する。 我々の知る限りでは、画像フォージェリローカライゼーションタスクにおける敵対的防御の報告としてはこれが初めてである。
  論文  参考訳（メタデータ） (2025-06-15T14:53:27Z)
• LAFR: Efficient Diffusion-based Blind Face Restoration via Latent Codebook Alignment Adapter [52.93785843453579]
  低品質(LQ)画像からのブラインド顔復元は、高忠実度画像再構成と顔認証の保存を必要とする課題である。 LAFRは,LQ画像の潜時分布とHQ画像の潜時分布を一致させる,新しいコードブックベースの潜時空間アダプタである。 FFHQデータセットのわずか0.9%での拡散の軽量な微調整は、最先端の手法に匹敵する結果を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2025-05-29T14:11:16Z)
• PersGuard: Preventing Malicious Personalization via Backdoor Attacks on Pre-trained Text-to-Image Diffusion Models [51.458089902581456]
  特定の画像の悪質なパーソナライズを防ぐ新しいバックドアベースのアプローチであるPersGuardを紹介する。 我々の手法は既存の技術よりも優れており、プライバシーと著作権保護に対するより堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-02-22T09:47:55Z)
• Nearly Zero-Cost Protection Against Mimicry by Personalized Diffusion Models [9.548195579003897]
  遅延を低減するための事前学習を導入し、性能劣化を最小限に抑えるための混合摂動手法を提案する。 我々の新しいトレーニング戦略は、複数のVAE特徴空間における保護損失を計算し、推論における適応的目標保護はロバスト性を高める。 実験では、視認性を向上し、推論時間を劇的に短縮した同等の保護性能を示す。
  論文  参考訳（メタデータ） (2024-12-16T03:46:45Z)
• Privacy-Preserving Diffusion Model Using Homomorphic Encryption [5.282062491549009]
  HE拡散(HE-Diffusion)と呼ばれる同相暗号を利用したプライバシー保護型安定拡散フレームワークを提案する。 本稿では,効率的な部分的画像暗号化を実現するための新しいミン歪み法を提案する。 HEベースのプライバシ保存型安定拡散推論の実装に成功した。
  論文  参考訳（メタデータ） (2024-03-09T04:56:57Z)

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。