論文の概要: FARI: Robust One-Step Inversion for Watermarking in Diffusion Models
- arxiv url: http://arxiv.org/abs/2607.26723v1
- Date: Wed, 29 Jul 2026 10:13:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.621279
- Title: FARI: Robust One-Step Inversion for Watermarking in Diffusion Models
- Title（参考訳）: FARI:拡散モデルにおける透かしのロバストワンステップインバージョン
- Authors: Jindong Yang, Han Fang, Weiming Zhang, Nenghai Yu, Kejiang Chen,
- Abstract要約: インバージョンベースの透かしは拡散生成画像の認証に有望なアプローチである。
既存のアプローチは内部トランケーションエラーを過度に最適化する。
textbfFARIは、透かし抽出のためのデノイザの軽量対向LoRA微調整と組み合わせたワンステップ逆変換フレームワークである。
- 参考スコア（独自算出の注目度）: 89.29541056113442
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inversion-based watermarking is a promising approach to authenticate diffusion-generated images, yet practical use is bottlenecked by inversion that is both slow and error-prone. While the primary challenge in the watermarking setting is robustness against external distortions, existing approaches over-optimize internal truncation error, and because that error scales with the sampler step size, they are inherently confined to high-NFE (number of function evaluations) regimes that cannot meet the dual demands of speed and robustness. In this work, we have two key observations: (i) the inversion trajectory has markedly lower curvature than the forward generation path does, making it highly compressible and amenable to low-NFE approximation; and (ii) in inversion for watermark verification, the trade-off between speed and truncation error is less critical, since external distortions dominate the error. A faster inverter provides a dual benefit: it is not only more efficient, but it also enables end-to-end adversarial training to directly target robustness, a task that is computationally prohibitive for the original, lengthy inversion trajectories. Building on this, we propose \textbf{FARI} (\textbf{F}ast \textbf{A}symmetric \textbf{R}obust \textbf{I}nversion), a one-step inversion framework paired with lightweight adversarial LoRA fine-tuning of the denoiser for watermark extraction. While consolidation slightly increases internal error, FARI delivers large gains in both speed and robustness: with approximately 20 minutes of fine-tuning on a single NVIDIA RTX A6000 GPU, it surpasses 50-step DDIM inversion on watermark-verification robustness while dramatically reducing inference time. Code and pretrained models are available at https://github.com/0xD009/FARI.
- Abstract（参考訳）: インバージョンベースの透かしは拡散生成画像の認証に有望なアプローチであるが、実際は遅くてエラーを起こしやすいインバージョンによってボトルネックとなる。
透かし設定の主な課題は、外部歪みに対する堅牢性であるが、既存のアプローチは内部乱れ誤差を過度に最適化し、その誤差はサンプリング器のステップサイズと共にスケールするため、スピードとロバスト性の二重要求を満たすことができない高NFE(関数評価数)体制に本質的に制限されている。
この研究には2つの重要な観察があります。
(i)逆軌道は前向き発生経路よりも明らかに曲率が低く、圧縮性が高く、低NFE近似に適している。
(II) 透かし検証の逆転では, 外部歪みが誤差を支配しているため, 速度と乱れ誤差のトレードオフはそれほど重要ではない。
より高速なインバータは、より効率的であるだけでなく、元の長い反転軌道に対して計算的に禁止されたタスクであるロバストネスを直接目標とするエンド・ツー・エンドの逆行訓練を可能にする。
そこで本稿では, 透かし抽出のためのデノイザの軽量対向LoRA微調整と組み合わせた一段階の逆変換フレームワークである, {\displaystyle \textbf{FARI} (\textbf{F}ast \textbf{A}symmetric \textbf{R}obust \textbf{I}nversion) を提案する。
統合は内部エラーをわずかに増加させるが、FARIはスピードとロバスト性の両方で大きく向上する:1つのNVIDIA RTX A6000 GPUで約20分微調整を行うと、ウォーターマーク検証のロバスト性に対する50ステップのDDIMインバージョンを超え、推論時間を劇的に短縮する。
コードと事前訓練されたモデルはhttps://github.com/0xD009/FARI.comで入手できる。
関連論文リスト
- Timestep Rescheduling in Diffusion Inversion [79.30105376216544]
ノイズスケジューラにおける拡散時間ステップの選択が逆忠実度にどのように影響するかを示す。
本稿では,グローバルな再スケーリングとローカルな動的プログラミングに基づく再スケジューリングを統合した,シンプルで効果的な非一様タイムスケジューラを提案する。
本手法は,既存のインバージョン手法の既製の拡張として機能し,余分なパラメータや計算オーバーヘッドを必要としない。
論文 参考訳（メタデータ） (2026-06-13T16:32:01Z) - Drift-AR: Single-Step Visual Autoregressive Generation via Anti-Symmetric Drifting [25.589468409950484]
自己回帰(AR)-拡散ハイブリッドパラダイムは、ARの構造的セマンティックモデリングと拡散の高忠実性合成を組み合わせるが、二重速度ボトルネックに悩まされる。
エントロピー信号を利用して両段階を高速化する textbfDrift-AR を提案する。
MAR、TransDiff、NextStep-1の実験では、3.8-5.5$times$ speedup with original 1-NFE decoding, matching or overing original quality。
論文 参考訳（メタデータ） (2026-03-30T05:29:00Z) - OSI: One-step Inversion Excels in Extracting Diffusion Watermarks [56.210696479553945]
ガウスシェーディングスタイルの透かしを抽出する手法であるワンステップインバージョン(OSI)を提案する。
OSIは、透かし抽出を学習可能な記号分類問題として再構成し、初期雑音の正確な回帰を不要にする。
我々のOSIは,20倍高速で,抽出精度が向上し,透かしペイロード容量が2倍になる多段拡散インバージョン法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-10T07:43:16Z) - DeepInv: A Novel Self-supervised Learning Approach for Fast and Accurate Diffusion Inversion [65.5172878666262]
拡散インバージョンは、実行可能な監視信号が欠如しているため、難しい課題である。
本稿では,Deep Inversion(DeepInv)と呼ばれる自己教師付き拡散インバージョン手法を提案する。
DeepInvはまた、パラメータ化インバージョンソルバをトレーニングするための反復的かつマルチスケールのトレーニングシステムも備えている。
論文 参考訳（メタデータ） (2026-01-04T11:27:26Z) - WaTeRFlow: Watermark Temporal Robustness via Flow Consistency [46.206343565195375]
We present WaTeRFlow, a framework designed for robustness under I2V。
エンコーダデコーダは、トレーニング中に命令駆動の編集と高速なビデオ拡散プロキシを通じて、現実的な歪みに晒される。
代表的I2Vモデルに対する実験では、フレームから正確なウォーターマーク回復を示し、フレーム単位の精度とレジリエンスが向上した。
論文 参考訳（メタデータ） (2025-12-22T05:33:59Z) - Runge-Kutta Approximation and Decoupled Attention for Rectified Flow Inversion and Semantic Editing [21.585366155855894]
微分方程式のルンゲ・クッタ解法に基づく整流モデルの高次インバージョン法を提案する。
本稿では,多モード拡散変換器内でテキストと画像の注意をゆがめる新しいメカニズムであるDecoupled Diffusion Transformer Attention(DDTA)を紹介する。
本手法は,忠実度と編集性の観点から,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-09-16T09:41:14Z) - OptMark: Robust Multi-bit Diffusion Watermarking via Inference Time Optimization [66.69924980864053]
拡散復調過程の中間潜水器に頑健なマルチビット透かしを埋め込む最適化手法である OptMark を提案する。
OptMarkは、生成攻撃に対して早期に構造的な透かしを挿入し、画像変換に耐えるために遅れて詳細な透かしを挿入する。
実験結果から,OptMarkは有意変換,幾何変換,編集,再生攻撃に対する堅牢なレジリエンスを確保しつつ,目に見えないマルチビット透かしを実現することが示された。
論文 参考訳（メタデータ） (2025-08-29T15:50:59Z) - FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。
自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。
PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。
FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
論文 参考訳（メタデータ） (2025-03-25T15:04:53Z)
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。