論文の概要: Diffusion Model Attribution via Spectral Coupling of Denoiser Responses

• arxiv url: http://arxiv.org/abs/2606.28092v1
• Date: Fri, 26 Jun 2026 13:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.506578
• Title: Diffusion Model Attribution via Spectral Coupling of Denoiser Responses
• Title（参考訳）: デノイザー応答のスペクトル結合による拡散モデル寄与
• Authors: Pragati Shuddhodhan Meshram, Varun Chandrasekaran,
• Abstract要約: Spectral Denoising Signatures (SDS) は、各候補モデルの認知行動に指紋を印字することで、ソースモデルを識別する非侵襲的属性法である。 SDSは8種類の拡散モデルで約99.9%の精度を達成し、96.2%はドメイン間のプロンプトシフトで達成している。
• 参考スコア（独自算出の注目度）: 14.483783077617483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attributing a generated image to its source diffusion model is a fundamental challenge in provenance verification and intellectual property protection. This problem is particularly difficult because diffusion models trained on different datasets can converge to similar score functions and thus similar output distributions, making the generated images themselves unreliable as attribution evidence. Existing non-invasive methods either fail on architecturally similar variants or rely on signals that vanish when models share the same autoencoder. We propose Spectral Denoising Signatures (SDS), a non-invasive attribution method that identifies the source model by fingerprinting each candidate model's denoising behavior. Our key insight is that a model's denoising score function exhibits a distinctive spectral geometry, reflected in how it redistributes energy across spatial frequency bands during denoising. By probing this behavior with frequency-controlled perturbations, SDS extracts a stable signature that is intrinsic to the model, requiring only standard forward passes with no inversion, optimization, or generation-time enrollment. Our results demonstrate that SDS achieves approximately 99.9% accuracy across eight diverse diffusion models and 96.2% under cross-domain prompt shift, outperforming non-invasive baselines across variations in training data, architecture, and training procedure, establishing spectral geometry as a principled and practical basis for diffusion model attribution. Code is available at: https://github.com/Pragati-Meshram/SGS
• Abstract（参考訳）: 生成した画像をソース拡散モデルに寄与させることは、証明の検証と知的財産保護の基本的な課題である。 この問題は、異なるデータセットで訓練された拡散モデルが類似のスコア関数や類似の出力分布に収束し、生成した画像自体が帰属証拠として信頼できないため、特に困難である。 既存の非侵襲的手法は、アーキテクチャ的に類似したバリエーションで失敗するか、モデルが同じオートエンコーダを共有すると消滅する信号に依存している。 提案手法は,各候補モデルの識別行動に指紋を印加することにより,ソースモデルを識別する非侵襲的帰属法である。 我々の重要な洞察は、モデルがデノナイジングするスコア関数は、デノナイジング中に空間周波数帯にまたがるエネルギーを再分配する方法に反映される独特のスペクトル幾何学を示すことである。 この動作を周波数制御の摂動で予測することにより、SDSはモデルに固有の安定なシグネチャを抽出し、反転、最適化、世代単位の登録なしに標準のフォワードパスのみを必要とする。 その結果、SDSは8つの拡散モデルに対して約99.9%の精度を達成し、96.2%のドメイン間プロンプトシフトを達成し、トレーニングデータ、アーキテクチャ、トレーニング手順のバリエーションにおいて非侵襲的ベースラインよりも優れており、スペクトル幾何学は拡散モデル属性の原理的かつ実践的な基礎として確立されていることがわかった。 コードは、https://github.com/Pragati-Meshram/SGSで入手できる。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Denoising Diffusion Bridge Models [54.87947768074036]
  拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。 画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。 本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T03:24:24Z)
• Exposing the Fake: Effective Diffusion-Generated Images Detection [14.646957596560076]
  本稿では拡散生成画像検出(SeDID)のためのステップワイド誤差と呼ばれる新しい検出法を提案する。 SeDIDは拡散モデルのユニークな特性、すなわち決定論的逆転と決定論的逆退誤差を利用する。 我々の研究は拡散モデル生成画像の識別に重要な貢献をしており、人工知能のセキュリティ分野における重要なステップとなっている。
  論文  参考訳（メタデータ） (2023-07-12T16:16:37Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Image Embedding for Denoising Generative Models [0.0]
  逆拡散過程の決定論的性質から拡散入射モデルに着目する。 本研究の副次として,拡散モデルの潜伏空間の構造についてより深い知見を得た。
  論文  参考訳（メタデータ） (2022-12-30T17:56:07Z)
• Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
  複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。 対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。 スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。 スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
  論文  参考訳（メタデータ） (2020-11-26T19:39:10Z)

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。