論文の概要: VOID: Defeating Unauthorized Mimicry in Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2606.12263v2
• Date: Thu, 11 Jun 2026 13:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 13:39:59.691719
• Title: VOID: Defeating Unauthorized Mimicry in Latent Diffusion Models
• Title（参考訳）: VOID:潜在拡散モデルにおける無許可ミミリーの定義
• Authors: Chunlin Qiu, Ang Li, Tianxiao Huang, Ruilin Gan, Yunjie Ge, Shenyi Zhang, Huayi Duan, Lingchen Zhao, Chao Shen, Qian Wang,
• Abstract要約: 潜在拡散モデル(LDM)は、個人を無許可で模倣するためにますます利用される。 本稿では, LDMの本質性を操作することによって, この難題を克服する枠組みを提案する。 5つのデータセットに対する10の模倣攻撃に対する24の最先端防御の評価は、VOIDの前例のない保護力を示している。
• 参考スコア（独自算出の注目度）: 20.97207129052605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Latent Diffusion Models (LDMs) have revolutionized visual synthesis, they are increasingly exploited for unauthorized mimicry of individuals. Existing defenses inject deceptive perturbations to steer the generated images toward irrelevant targets. However, this approach hinges on an ungrounded assumption: subtle perturbations can maintain their deceptive efficacy throughout an LDM's extensive generation process. In reality, the model's innate restoration mechanism will remove such perturbations and cause individual identities to re-emerge in the images generated. We propose VOID, a defense framework that overcomes this conundrum by manipulating an LDM's intrinsic stochasticity. VOID perturbs the diffusion pipeline in two novel ways: 1) amplifying the latent encoding errors to shatter an image's semantic structure, and 2) counteracting the target guidance signals to suppress the model's restoration capabilities. This results in a semantic corruption that thwarts any unauthorized mimicry. Notably, the security gain does not come at the price of visual utility, as VOID simultaneously manages to confine perturbations to human-imperceptible regions of protected images. Our comprehensive evaluation of 24 state-of-the-art defenses against 10 mimicry attacks on 5 datasets demonstrates VOID's unprecedented protection power: it increases the average Frechet Inception Distance (FID) from 113 to 365, a 223% improvement over the strongest defense to date.
• Abstract（参考訳）: ラテント拡散モデル(LDM)は視覚合成に革命をもたらしたが、個人を無許可で模倣するためにますます利用されてきた。 既存の防御は、生成した画像を無関係なターゲットに向けて操るために、偽りの摂動を注入する。 微妙な摂動は、LCMの広範囲な生成プロセスを通して、その偽りの効力を維持することができる。 実際には、モデル固有の復元メカニズムは、そのような摂動を取り除き、個々のアイデンティティが生成された画像に再統合される。 LDMの内在的確率性を操作することで,この難題を克服する防衛フレームワークVOIDを提案する。 VOIDは2つの新しい方法で拡散パイプラインを摂動する。 1)画像の意味構造を乱すために潜時符号化エラーを増幅し、 2) 目標誘導信号に対処し、モデルの復元能力を抑える。 この結果、無許可の模倣を阻止する意味的な腐敗が生じる。 VOIDは同時に、人間の知覚できない保護された画像の領域への摂動を抑える。 5つのデータセットに対する10の模倣攻撃に対する24の最先端の防御に対する包括的評価は、VOIDの前例のない保護力を示している:これは、平均的なFrechet Inception Distance(FID)を113から365に増加させ、これまでで最も強力な防御よりも223%改善した。

関連論文リスト

• Bypassing Copyright Protection in Diffusion-based Customization via Two-Stage Latent Feature Optimization [51.33055188976282]
  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。
  論文  参考訳（メタデータ） (2026-06-06T07:59:08Z)
• BadRSSD: Backdoor Attacks on Regularized Self-Supervised Diffusion Models [10.286339414754499]
  Bad RSSDは自己教師付き拡散モデルの表現層をターゲットにした最初のバックドア攻撃である。 標的画像に対するPCA空間のトリガーで有毒なサンプルのセマンティック表現をハイジャックする。 悪い RSSD は FID と MSE の両方で既存の攻撃を著しく上回っている。
  論文  参考訳（メタデータ） (2026-03-01T09:56:26Z)
• Dual Attention Guided Defense Against Malicious Edits [70.17363183107604]
  本稿では,DANP(Dual Attention-Guided Noise Perturbation)免疫法を提案する。 本手法は,悪意ある編集に対する印象的な免疫力を示し,その手法が最先端の性能を達成することを実証した。
  論文  参考訳（メタデータ） (2025-12-16T12:01:28Z)
• DLADiff: A Dual-Layer Defense Framework against Fine-Tuning and Zero-Shot Customization of Diffusion Models [74.9510349783152]
  悪意のあるアクターは、拡散モデルのカスタマイズを利用することができ、人の数または1つのイメージだけで、元のアイデンティティとほぼ同一の合成IDを作成することができる。 本稿では,ファインチューニング法とゼロショット法の両方を保護するためのDual-Layer Anti-Diffusion (DLADiff)を提案する。
  論文  参考訳（メタデータ） (2025-11-25T04:35:55Z)
• Backdoor Defense in Diffusion Models via Spatial Attention Unlearning [0.0]
  テキストと画像の拡散モデルは、バックドア攻撃に対してますます脆弱である。 本研究では,拡散モデルにおけるバックドア攻撃を緩和する新しい手法である空間注意アンラーニング(SAU)を提案する。
  論文  参考訳（メタデータ） (2025-04-21T04:00:19Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model [61.53213964333474]
  本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。 具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。 設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
  論文  参考訳（メタデータ） (2023-12-18T15:25:23Z)

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。