論文の概要: Data Provenance for Image Auto-Regressive Generation
- arxiv url: http://arxiv.org/abs/2606.28386v1
- Date: Mon, 22 Jun 2026 17:06:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.540228
- Title: Data Provenance for Image Auto-Regressive Generation
- Title（参考訳）: 画像自動回帰生成のためのデータ公開
- Abstract要約: 画像自己回帰モデル(IAR)は近年,視覚コンテンツ生成において顕著な能力を示した。
これらのモデルが広くアクセスできるようになると、IAR生成画像の確実な追跡にはロバストなデータ証明が必要である。
本稿では,このようなパターンの堅牢な検出を可能にするポストホックフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 19.32001030237768
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image autoregressive models (IARs) have recently demonstrated remarkable capabilities in visual content generation, achieving photorealistic quality and rapid synthesis through the next-token prediction paradigm adapted from large language models. As these models become widely accessible, robust data provenance is required to reliably trace IAR-generated images to the source model that synthesized them. This is critical to prevent the spread of misinformation, detect fraud, and attribute harmful content. We find that although IAR-generated images often appear visually identical to real images, their generation process introduces characteristic patterns in their outputs, which serves as a reliable provenance signal for the generated images. Leveraging this, we present a post-hoc framework that enables the robust detection of such patterns for provenance tracing. Notably, our framework does not require modifications of the generative process or outputs. Thereby, it is applicable in contexts where prior watermarking methods cannot be used, such as for generated content that is already published without additional marks and for models that do not integrate watermarking. We demonstrate the effectiveness of our approach across a wide range of IARs, highlighting its high potential for robust data provenance tracing in autoregressive image generation.
- Abstract（参考訳）: 画像自己回帰モデル(IAR)は、近年、大規模言語モデルから適応した次世代の予測パラダイムを通じて、視覚コンテンツ生成において顕著な能力を示し、フォトリアリスティックな品質と迅速な合成を実現している。
これらのモデルが広く普及するにつれて、IAR生成画像を合成したソースモデルに確実にトレースするためには、ロバストなデータ証明が必要である。
これは誤報の拡散を防ぎ、不正を検知し、有害なコンテンツを属性化するのに重要である。
IAR生成画像は実画像と視覚的に同一視されることが多いが、その生成プロセスは出力に特徴的なパターンを導入し、生成画像の信頼性の高い前兆信号として機能する。
これを活用することで,このようなパターンの堅牢な検出を可能にするポストホックフレームワークを提案する。
特に、我々のフレームワークは生成プロセスや出力の変更を必要としない。
これにより、既に追加のマークなしで公開されている生成されたコンテンツや、透かしを統合しないモデルなど、事前の透かし方法が使用できない状況に適用できる。
我々は,多種多様なIARに対するアプローチの有効性を実証し,自己回帰画像生成におけるロバストなデータプロパタンストレースの可能性を強調した。
関連論文リスト
- Unknown Aware AI-Generated Content Attribution [10.257885473523162]
本研究では,対象とする生成モデルと他の生成モデルとを区別する問題について検討する。
ラベルのないワイルドデータを活用する制約付き最適化手法を提案する。
実験結果から, 野生データの導入により, 未確認発電機の帰属性能が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2026-01-01T05:47:38Z) - PRADA: Probability-Ratio-Based Attribution and Detection of Autoregressive-Generated Images [13.32283996437404]
PRADAは、AR生成画像を確実に検出し、それらをそれぞれのソースモデルに属性付ける、シンプルで解釈可能なアプローチである。
実験により,PRADAは8つのクラス・ツー・イメージモデルと4つのテキスト・ツー・イメージモデルに対して高い効果を示した。
論文 参考訳（メタデータ） (2025-11-25T08:40:48Z) - A Watermark for Auto-Regressive Image Generation Models [50.599325258178254]
画像生成モデル用に明示的に設計された歪みのない透かし法であるC-reweightを提案する。
C-reweightは画像の忠実性を維持しながら再起動ミスマッチを緩和する。
論文 参考訳（メタデータ） (2025-06-13T00:15:54Z) - Optimization-Free Universal Watermark Forgery with Regenerative Diffusion Models [50.73220224678009]
ウォーターマーキングは、人工知能モデルによって生成された合成画像の起源を検証するために使用できる。
近年の研究では, 対象画像から表層画像への透かしを, 対角的手法を用いてフォージできることが示されている。
本稿では,最適化フリーで普遍的な透かし偽造のリスクが大きいことを明らかにする。
我々のアプローチは攻撃範囲を大きく広げ、現在の透かし技術の安全性により大きな課題をもたらす。
論文 参考訳（メタデータ） (2025-06-06T12:08:02Z) - Harnessing Frequency Spectrum Insights for Image Copyright Protection Against Diffusion Models [26.821064889438777]
本稿では,拡散生成画像がトレーニングデータの統計的特性を忠実に保存していることを示す。
emphCoprGuardは、許可されていない画像の使用を防ぐための堅牢な周波数領域透かしフレームワークである。
論文 参考訳（メタデータ） (2025-03-14T04:27:50Z) - Towards Effective User Attribution for Latent Diffusion Models via Watermark-Informed Blending [54.26862913139299]
我々は、ウォーターマークインフォームドブレンディング(TEAWIB)による潜伏拡散モデルに対する効果的なユーザ属性に向けた新しいフレームワークを提案する。
TEAWIBは、ユーザ固有の透かしを生成モデルにシームレスに統合する、ユニークな準備可能な構成アプローチを取り入れている。
TEAWIBの有効性を検証し、知覚的品質と帰属精度で最先端の性能を示す実験を行った。
論文 参考訳（メタデータ） (2024-09-17T07:52:09Z) - EnTruth: Enhancing the Traceability of Unauthorized Dataset Usage in Text-to-image Diffusion Models with Minimal and Robust Alterations [73.94175015918059]
本稿では、未承認のデータセット使用のトレーサビリティを高める新しいアプローチであるEnTruthを紹介する。
テンプレートの暗記を戦略的に取り入れることで、EnTruthは不正なモデルの特定の振る舞いを侵害の証拠として引き起こすことができる。
本手法は, 暗記の正当性を調査し, 著作権保護に利用し, 呪いを祝福する最初の方法である。
論文 参考訳（メタデータ） (2024-06-20T02:02:44Z) - How to Trace Latent Generative Model Generated Images without Artificial Watermark? [88.04880564539836]
潜在生成モデルによって生成された画像に関する潜在的な誤用に関する懸念が持ち上がっている。
検査されたモデルの生成された画像をトレースするために,レイトタントトラッカーと呼ばれる潜時反転に基づく手法を提案する。
提案手法は,検査したモデルと他の画像から生成された画像とを高精度かつ効率的に識別できることを示す。
論文 参考訳（メタデータ） (2024-05-22T05:33:47Z) - Active Generation for Image Classification [45.93535669217115]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳（メタデータ） (2024-03-11T08:45:31Z) - Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。
本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文 参考訳（メタデータ） (2022-10-14T06:54:24Z)
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。