論文の概要: Semantic Color Naturalness Breaker: Preventing Illegitimate Colorization via Content-Aware Color Priors
- arxiv url: http://arxiv.org/abs/2607.17610v1
- Date: Mon, 20 Jul 2026 06:56:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.516197
- Title: Semantic Color Naturalness Breaker: Preventing Illegitimate Colorization via Content-Aware Color Priors
- Title（参考訳）: セマンティック・カラー・ナチュラルネス・ブレーカー:コンテンツ・アウェア・カラー・プリミティブによる不規則なカラー化の防止
- Abstract要約: 本稿では,カラー化出力をコンテント一貫性のある色に向けて駆動する意味レベルフレームワークを提案する。
また,コンテンツ対応カラー分散距離 (CaCDD) も導入した。
我々の方法は、小さな摂動予算と一般的な後処理の下でも有効である。
- 参考スコア（独自算出の注目度）: 10.834598775130805
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Automatic image colorization enables large-scale and low-cost reuse of grayscale media (e.g., manga panels and archival photographs), facilitating unauthorized reuse and redistribution. Once released online, grayscale content can be readily turned into unauthorized colorized derivatives using off-the-shelf models, creating a practical need for proactive, content-side protection at publication time. Building on Uncolorable Examples (UE), which add imperceptible perturbations to released grayscale images to degrade unauthorized colorization, we propose Semantic Color Naturalness Breaker (SCNB) -- a semantic-level UE framework that drives colorization outputs toward content-inconsistent colors while preserving the visual fidelity of the released grayscale media. We further introduce Content-aware Color Distributional Distance (CaCDD), a ground-truth-free, content-aware measure of color plausibility derived from semantic color priors, used both as the optimization objective of SCNB and as an evaluation metric. Experiments on ImageNet show that our method remains effective under small perturbation budgets and common post-processing, supporting practical deployment in real-world content-sharing pipelines.
- Abstract（参考訳）: 画像の自動カラー化は、グレースケールメディア(例えば、マンガパネルやアーカイブ写真)の大規模かつ低コストでの再利用を可能にし、不正な再利用と再配布を容易にする。
オンライン版がリリースされると、グレースケールのコンテンツはオフザシェルフモデルを使って無許可で色付けされたデリバティブに変換され、出版時にプロアクティブなコンテンツ側保護の実践的な必要性が生じる。
グレースケール画像に知覚不可能な摂動を付加し、無許可の着色を低下させるような非着色可能な例(UE)の上に構築したセマンティックカラーナチュラルネスブレーカー(SCNB)は、グレースケールメディアの視覚的忠実さを保ちながら、内容に一貫性のない色に色付け出力を駆動する意味レベルUEフレームワークである。
さらに、SCNBの最適化目的と評価基準の両方に使用される、意味的な色先行から派生した色可視性の、地味無色可視性の評価尺度である、コンテンツ対応色分布距離(CaCDD)についても紹介する。
ImageNetの実験では、我々の手法は、小さな摂動予算と一般的な後処理の下で有効であり、実世界のコンテンツ共有パイプラインにおける実践的な展開を支援する。
関連論文リスト
- Color3D: Controllable and Consistent 3D Colorization with Personalized Colorizer [58.94607850223466]
静的な3Dシーンと動的な3Dシーンの両方をモノクロ入力から色づけする、高度に適応可能なフレームワークであるColor3Dを提案する。
当社のアプローチは、クロスビューとクロスタイムの一貫性を確保しながら、カラー多様性とステアビリティを維持できます。
論文 参考訳（メタデータ） (2025-10-11T10:21:19Z) - Uncolorable Examples: Preventing Unauthorized AI Colorization via Perception-Aware Chroma-Restrictive Perturbation [10.834598775130805]
非着色可能な例では、知覚不能な摂動をグレースケールのイメージに埋め込んで、無許可の着色を無効にする。
ImageNetとDanbooruデータセットの実験により、PAChromaは視覚的外観を維持しながら色付け品質を効果的に低下させることが示された。
この研究は、不正なAIのカラー化から視覚的コンテンツを保護し、生成メディアにおける著作権を意識した防御の道を開くための第一歩となる。
論文 参考訳（メタデータ） (2025-10-10T03:46:17Z) - Free-Lunch Color-Texture Disentanglement for Stylized Image Generation [62.215875006311876]
本稿では,タイマライズされたT2I生成において,フリーランチなカラーテクスチャ・ディコンタングルを実現するための,最初のチューニング自由アプローチを提案する。
Our Style Attributes Disentanglement approach (SADis)は、より正確でカスタマイズ可能な、スタイリングされた画像生成ソリューションを提供する。
WikiArtとStyleDropのデータセットの画像に対する実験は、SADisがDisIGタスクの最先端化方法を上回ることを実証している。
論文 参考訳（メタデータ） (2025-03-18T14:10:43Z) - Leveraging Semantic Attribute Binding for Free-Lunch Color Control in Diffusion Models [53.73253164099701]
拡散モデルにおいて、微調整なしで正確なRGBレベルの色制御を実現する、トレーニング不要なアプローチであるColorWaveを導入する。
我々は、カラーウェーブが、構造化された、色一貫性の拡散に基づく画像合成のための新しいパラダイムを確立することを実証した。
論文 参考訳（メタデータ） (2025-03-12T21:49:52Z) - ColorFlow: Retrieval-Augmented Image Sequence Colorization [65.93834649502898]
産業用途における画像シーケンスのカラー化に適した3段階拡散に基づくフレームワークを提案する。
IDごとの微調整や明示的なID埋め込み抽出を必要とする既存の手法とは異なり、我々は新たにRetrieval Augmented Colorization Pipelineを提案する。
パイプラインには、カラーアイデンティティ抽出のためのブランチと、カラー化のためのブランチという、デュアルブランチ設計も備えています。
論文 参考訳（メタデータ） (2024-12-16T14:32:49Z) - Palette-based Color Transfer between Images [9.471264982229508]
そこで我々は,新しいカラースキームを自動生成できるパレットベースのカラートランスファー手法を提案する。
再設計されたパレットベースのクラスタリング手法により、色分布に応じて画素を異なるセグメントに分類することができる。
本手法は, 自然リアリズム, 色整合性, 一般性, 堅牢性の観点から, ピア法に対して有意な優位性を示す。
論文 参考訳（メタデータ） (2024-05-14T01:41:19Z) - Multimodal Semantic-Aware Automatic Colorization with Diffusion Prior [15.188673173327658]
色を可塑性意味論で合成する前に拡散の異常な生成能力を利用する。
モデルが画像の内容を理解し、飽和色を提供するのに役立つため、マルチモーダルなハイレベルセマンティクスを前もって採用する。
輝度対応デコーダは細部を復元し、全体的な視覚的品質を向上させるように設計されている。
論文 参考訳（メタデータ） (2024-04-25T15:28:22Z) - Automatic Controllable Colorization via Imagination [55.489416987587305]
本稿では,反復的な編集と修正が可能な自動色付けフレームワークを提案する。
グレースケール画像内のコンテンツを理解することにより、トレーニング済みの画像生成モデルを用いて、同じコンテンツを含む複数の画像を生成する。
これらの画像は、人間の専門家の過程を模倣して、色付けの参考となる。
論文 参考訳（メタデータ） (2024-04-08T16:46:07Z) - Control Color: Multimodal Diffusion-based Interactive Image Colorization [81.68817300796644]
Control Color (Ctrl Color) は、事前訓練された安定拡散(SD)モデルを利用する多モードカラー化手法である。
ユーザのストロークをエンコードして、局所的な色操作を正確に行うための効果的な方法を提案する。
また、カラーオーバーフローと不正確な色付けの長年の問題に対処するために、自己注意に基づく新しいモジュールとコンテンツ誘導型変形可能なオートエンコーダを導入する。
論文 参考訳（メタデータ） (2024-02-16T17:51:13Z) - Diffusing Colors: Image Colorization with Text Guided Diffusion [11.727899027933466]
粒状テキストプロンプトを用いた画像拡散技術を利用した新しい画像カラー化フレームワークを提案する。
本手法は,視覚的品質とセマンティック・コヒーレンスの観点から,既存の技術よりも優れた自動化と制御のバランスを与える。
我々のアプローチは、特に色強調と歴史的イメージのカラー化の可能性を秘めている。
論文 参考訳（メタデータ） (2023-12-07T08:59:20Z) - PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。
PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
論文 参考訳（メタデータ） (2022-10-20T12:28:31Z) - Towards Vivid and Diverse Image Colorization with Generative Color Prior [17.087464490162073]
最近のディープラーニングベースの手法は、画像のカラー化を低コストで行うことができる。
我々は,事前学習されたGAN(Generative Adversarial Networks)にカプセル化されている,豊かで多様な色を活かして鮮やかな色を復元することを目的としている。
先進的なデザインと繊細なデザインの強力な生成色のおかげで、我々の手法は1つの前進パスで鮮やかな色を作り出すことができた。
論文 参考訳（メタデータ） (2021-08-19T17:49:21Z)
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。