論文の概要: Cyclic Denoising Reveals Ultrastable Memories in Diffusion Models
- arxiv url: http://arxiv.org/abs/2606.24000v1
- Date: Mon, 22 Jun 2026 23:11:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.70964
- Title: Cyclic Denoising Reveals Ultrastable Memories in Diffusion Models
- Title（参考訳）: 拡散モデルにおける周期的デノジングの超安定記憶
- Authors: Rishabh Sharma, Stefano Martiniani,
- Abstract要約: 本稿では,画像拡散モデルに対する抽出攻撃としてサイクリックデノナイジングを導入する。
乱れた固体のランダムな組織にインスパイアされたサイクリックデノナイジングは、学習された分布の領域を露出する。
力学は試料を広い安定性スペクトルを持つ誘引子へと誘導する。
- 参考スコア（独自算出の注目度）: 2.871875172569441
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce cyclic denoising -- repeated forward and reverse diffusion at controlled noise amplitudes -- as an extraction attack for image diffusion models. Inspired by random organization in disordered solids, cyclic denoising exposes regions of the learned distribution that are largely inaccessible to standard sampling. The dynamics drive samples toward attractors with a broad stability spectrum. The deepest attractors are ultrastable: they regenerate after near-total corruption and persist through thousands of noising-denoising cycles. Many of these attractors correspond to memorized training images, including stock photographs, brand watermarks, and web-crawl artifacts. The attack requires only sampler-level control, with no gradients, weight inspection, prompts, captions, or prior knowledge of the training data. Unlike generate-and-filter attacks, which rely on large-scale prompted generation and post-hoc similarity or membership-inference filtering, our main protocol is fully unconditioned. We demonstrate the phenomenon in Stable Diffusion v1.4 and in a pixel-space DDPM, showing consistent behavior across latent- and pixel-space diffusion models. Across noise amplitudes, we observe a yielding-like transition: low-amplitude cycling produces trivial absorbing fixed points or limit cycles, while larger amplitudes induce rearrangements, basin hopping, and long-lived trapping in structured memorized attractor basins. We also observe hierarchical partial absorption, prompt-stabilized basins, and cross-initial-condition universality of the recovered attractor set. Our results therefore show that cyclic denoising is both a physics-inspired probe of generative landscapes and a practical tool for memorization auditing, with implications for privacy, copyright compliance, and model fingerprinting.
- Abstract（参考訳）: 画像拡散モデルに対する抽出攻撃として、繰り返し前方および逆拡散を制御された雑音振幅で行うサイクリックデノナイジングを導入する。
乱れた固体のランダムな構造にインスパイアされたサイクリック・デノナイジングは、標準サンプリングにほとんどアクセスできない学習分布の領域を露呈する。
力学は試料を広い安定性スペクトルを持つ誘引子へと誘導する。
最も深い引力はウルトラスタブルで、ほぼ全滅後に再生し、何千ものノイズ発生サイクルを通して持続する。
これらのアトラクションの多くは、ストック写真、ブランドの透かし、ウェブクローリングのアーティファクトなど、記憶された訓練画像に対応している。
攻撃には、勾配、重量検査、プロンプト、キャプション、トレーニングデータの事前知識を伴わないサンプルレベルの制御しか必要としない。
大規模に誘導される生成とポストホックな類似性やメンバシップ推論のフィルタリングに依存するジェネレーション・アンド・フィルタ攻撃とは異なり、我々のメインプロトコルは完全に無条件である。
安定拡散 v1.4 と画素空間 DDPM でこの現象を実証し,潜時拡散モデルと画素空間拡散モデルの間で一貫した挙動を示す。
低振幅のサイクリングは、固定点や制限周期を自明に吸収する一方、大きな振幅は、構造化された記憶されたアトラクタ盆地における再配置、盆地ホッピング、長期トラップを誘導する。
また, 階層的部分吸収, 急速安定化された盆地, および回収された誘引器集合の初期-条件の普遍性も観察した。
以上の結果から,サイクリック・デノナイジングは物理に着想を得た生成環境の調査であり,プライバシ,著作権コンプライアンス,モデルフィンガープリントに影響を及ぼす暗記監査の実践的ツールであることがわかった。
関連論文リスト
- A Cold Diffusion Approach for Percussive Dereverberation [0.06554326244334865]
パーカッシブ・デバーベレーションは、鋭い過渡性と密集した時間構造のために、異なる課題を生じさせる。
ステレオドラムステム(ダウンミックス)を除去するためのコールド拡散フレームワークを提案する。
UNetと拡散トランスフォーマーのバックボーンの両方を用いて,このフレームワークを実装した。
論文 参考訳（メタデータ） (2026-05-11T09:23:37Z) - Blind-Spot Guided Diffusion for Self-supervised Real-World Denoising [55.099717395320276]
Blind-Spot Guided Diffusionは、現実のイメージをデノナイズするための新しい自己教師型フレームワークである。
提案手法は,盲点ネットワーク(BSN)の限界と,自己教師型認知への拡散モデルの適用の難しさの2つに対処する。
論文 参考訳（メタデータ） (2025-09-19T15:35:07Z) - Generalizable Holographic Reconstruction via Amplitude-Only Diffusion Priors [48.96607421052462]
インラインホログラフィーにおける位相検索は、コヒーレントイメージングにおける振幅と位相の非線形結合に起因する基本的な不適切な逆問題である。
本稿では,物体振幅のみを訓練した拡散モデルを用いて,回折強度から振幅と位相の両方を復元する手法を提案する。
論文 参考訳（メタデータ） (2025-09-16T06:36:08Z) - Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。
拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
論文 参考訳（メタデータ） (2025-07-02T01:22:46Z) - Behind the Noise: Conformal Quantile Regression Reveals Emergent Representations [0.2445561610325265]
本稿では,不確実性境界を校正した低品質測定を識別する機械学習手法を提案する。
共形量子レグレッションを用いて訓練された軽量でランダムに構造化されたニューラルネットワークのアンサンブルを用いて,本手法は信頼性の高い復調を行う。
実世界の地球生物化学イメージングデータに対するアプローチを検証し、自信ある解釈をサポートし、実験設計をガイドする方法を示す。
論文 参考訳（メタデータ） (2025-05-13T02:27:12Z) - NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。
NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
論文 参考訳（メタデータ） (2024-03-13T12:32:25Z) - Seismic Data Interpolation via Denoising Diffusion Implicit Models with Coherence-corrected Resampling [7.755439545030289]
U-Netのようなディープラーニングモデルは、トレーニングとテストの欠落パターンが一致しない場合、しばしばパフォーマンスが低下する。
マルチモーダル拡散モデルに基づく新しいフレームワークを提案する。
推論フェーズでは,サンプリングステップの数を減らし,暗黙的拡散モデルを導入する。
露呈された痕跡と欠落した痕跡との一貫性と連続性を高めるために,我々は2つの戦略を提案する。
論文 参考訳（メタデータ） (2023-07-09T16:37:47Z) - Advancing underwater acoustic target recognition via adaptive data
pruning and smoothness-inducing regularization [27.039672355700198]
本稿では,クロスエントロピーに基づくトレーニングデータにおいて,過度に類似したセグメントを創り出す戦略を提案する。
我々はノイズの多いサンプルを生成し、KLの発散に基づくスムーズネス誘導正則化を適用し、オーバーフィッティングを緩和する。
論文 参考訳（メタデータ） (2023-04-24T08:30:41Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:14:06Z) - Amplitude-Varying Perturbation for Balancing Privacy and Utility in
Federated Learning [86.08285033925597]
本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。
我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。
新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
論文 参考訳（メタデータ） (2023-03-07T22:52:40Z)
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。