論文の概要: VETO: Towards Protecting Images From Frontier AI Editing

• arxiv url: http://arxiv.org/abs/2607.27292v1
• Date: Wed, 29 Jul 2026 15:03:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.285709
• Title: VETO: Towards Protecting Images From Frontier AI Editing
• Title（参考訳）: VETO:フロンティアAI編集から画像を保護する
• Abstract要約: VETOは微妙な反エディット・クロークであり、現代のモデルで原画像を読み取る内部メカニズムを乱す。 本稿では,従来の局所的な編集だけでなく,より広範な文脈変化に基づく防御評価を行うVetoBenchを紹介する。
• 参考スコア（独自算出の注目度）: 14.886680032434882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rise of powerful, accessible image-editing models such as FLUX.2 has brought high-fidelity editing within broad reach. Their capabilities now extend beyond localized modifications to extracting and recontextualizing objects and identities in entirely new scenes. By allowing prompt and generation tokens to attend directly to reference-image tokens, modern models blur the boundary between conventional editing and text-to-image synthesis. This expanded generative freedom also broadens the space of potential misuse, as harmful transformations are no longer confined to a predictable set of localized edits. Existing anti-edit defenses are designed to disrupt the semantic bottleneck of the reference-image encoding in legacy diffusion pipelines. However, newer editors distill reference information through joint-attention blocks, thereby often circumventing these protections. We therefore introduce VETO, a subtle anti-edit cloak that disrupts this inner mechanism through which modern models read the source image. Additionally, as existing editing benchmarks leave comprehensive recontextualizations largely untested, we introduce VetoBench, which evaluates defenses not only on conventional localized edits but also on broader contextual shifts. Across two contemporary editing models and three benchmarks, VETO consistently outperforms existing defenses while providing a stronger protection-fidelity trade-off.
• Abstract（参考訳）: FLUX.2のような強力な画像編集モデルの台頭により、広い範囲で高忠実度編集が可能になった。 彼らの能力は、局所的な修正を超えて、全く新しいシーンでオブジェクトやアイデンティティを抽出し、再テクトライズする。 プロンプトとジェネレーショントークンを参照画像トークンに直接参加させることで、現代のモデルは従来の編集とテキスト・ツー・イメージの合成の境界を曖昧にする。 この拡張された生成自由は、有害な変換がもはや局所的な編集の予測可能なセットに制限されないため、潜在的な誤用の範囲を広げる。 既存のアンチエジットディフェンスは、レガシ拡散パイプラインにおける参照イメージエンコーディングのセマンティックボトルネックを乱すように設計されている。 しかし、より新しい編集者は、共同注意ブロックを通じて参照情報を蒸留し、しばしばこれらの保護を回避する。 そこで我々は,現代のモデルが原画像を読み取る内部メカニズムを乱す,微妙なアンチエジット・クロークであるVETOを導入する。 さらに,既存の編集ベンチマークが概ね検証されていないため,VetoBenchを導入し,従来の局所的な編集だけでなく,より広いコンテキストシフトでも防御評価を行う。 現代の2つの編集モデルと3つのベンチマークにおいて、VETOは既存の防御を一貫して上回り、より強力な保護-忠実トレードオフを提供する。

関連論文リスト

• Reasoning to Align: Implicit Reasoning in Diffusion Transformers for Video Editing [55.211537893248675]
  本稿では,2つの補完コンポーネントを中心に構築された暗黙の推論ビデオ編集用DiTフレームワークであるRVEDiTを提案する。 RVEDiTは最先端のベースラインを一貫して上回り、特にローカライズされた編集や構成的な編集において大きな利益を得ている。
  論文  参考訳（メタデータ） (2026-05-23T17:22:14Z)
• Towards Transferable Defense Against Malicious Image Edits [70.17363183107604]
  Transferable Defense Against Malicious Image Edits (TDAE)は、悪意のある編集に対するイメージ免疫を強化する新しいバイモーダルフレームワークである。 本稿では,FlatGrad Defense Mechanism (FDM) を紹介した。 テキストエンハンスメント保護のための動的プロンプトディフェンス (DPD) を提案し, テキスト埋め込みを周期的に洗練し, 免疫画像の編集結果を元の画像と整合させる。
  論文  参考訳（メタデータ） (2025-12-16T12:10:16Z)
• EditInfinity: Image Editing with Binary-Quantized Generative Models [64.05135380710749]
  画像編集のためのバイナリ量子化生成モデルのパラメータ効率適応について検討する。 具体的には、画像編集のためのバイナリ量子化生成モデルであるEmphInfinityを適応させるEditInfinityを提案する。 テキストの修正と画像スタイルの保存を促進させる,効率的かつ効果的な画像反転機構を提案する。
  論文  参考訳（メタデータ） (2025-10-23T05:06:24Z)
• Immunizing Images from Text to Image Editing via Adversarial Cross-Attention [17.498230426195114]
  本稿では,編集手法の視覚的構成要素を標的とした新たな攻撃を提案する。 本稿では,テキストプロンプトと画像の視覚的表現との交差注意を妨害するアテンションアタックを紹介する。 TEDBench++ベンチマークで行った実験では、我々の攻撃は認識不能なまま編集性能を著しく低下させることが示された。
  論文  参考訳（メタデータ） (2025-09-12T15:47:50Z)
• SecureT2I: No More Unauthorized Manipulation on AI Generated Images from Prompts [29.963044242980345]
  SecureT2Iは拡散ベースの生成モデルにおける不正な編集を防止するために設計されたフレームワークである。 画像は、編集許可に基づく許可セットと禁止セットに分類する。 SecureT2Iは、許諾画像の性能を維持しながら、禁じられた画像の操作品質を効果的に劣化させることを示す。
  論文  参考訳（メタデータ） (2025-07-04T15:05:55Z)
• Anchor Token Matching: Implicit Structure Locking for Training-free AR Image Editing [60.102602955261084]
  Implicit Structure Locking (ISLock)は、ARビジュアルモデルのためのトレーニング不要な編集戦略である。 本手法は,自己注意パターンと参照画像とを動的にアライメントすることで,構造的青写真を保存する。 我々の研究は、ARベースの画像編集を効率的かつ柔軟なものにする方法を開拓し、拡散と自己回帰生成モデルのパフォーマンスギャップをさらに埋めることに成功した。
  論文  参考訳（メタデータ） (2025-04-14T17:25:19Z)
• Task-Oriented Diffusion Inversion for High-Fidelity Text-based Editing [60.730661748555214]
  textbfTask-textbfOriented textbfDiffusion textbfInversion (textbfTODInv) は、特定の編集タスクに適した実際の画像を反転して編集する新しいフレームワークである。 ToDInvは相互最適化によってインバージョンと編集をシームレスに統合し、高い忠実さと正確な編集性を保証する。
  論文  参考訳（メタデータ） (2024-08-23T22:16:34Z)
• Enhancing Text-to-Image Editing via Hybrid Mask-Informed Fusion [61.42732844499658]
  本稿では拡散モデルに基づくテキスト誘導画像編集手法を体系的に改善する。 我々は、人間のアノテーションを外部知識として組み込んで、Mask-informed'領域内で編集を限定する。
  論文  参考訳（メタデータ） (2024-05-24T07:53:59Z)
• Zero-shot Image-to-Image Translation [57.46189236379433]
  手動のプロンプトを使わずに元の画像を保存できる画像から画像への変換法であるpix2pix-zeroを提案する。 本稿では,拡散過程全体を通して入力画像の相互注意マップを維持することを目的とした,相互注意誘導を提案する。 本手法では,これらの編集のための追加のトレーニングを必要とせず,既存のテキスト・画像拡散モデルを直接使用することができる。
  論文  参考訳（メタデータ） (2023-02-06T18:59:51Z)

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。