論文の概要: DeepFreqMark: End-To-End Learnable Frequency-Domain Watermarking with Spherical Attack Simulation for Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2608.08999v1
• Date: Mon, 10 Aug 2026 01:36:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.032265
• Title: DeepFreqMark: End-To-End Learnable Frequency-Domain Watermarking with Spherical Attack Simulation for Latent Diffusion Models
• Title（参考訳）: DeepFreqMark: 潜在拡散モデルのための球状攻撃シミュレーションによる学習可能な周波数領域の電子透かし
• Abstract要約: 既存の周波数領域透かし法は、手作りの幾何学的パターンを生成前の初期潜時雑音に埋め込む。 我々は、手動のパターンエンジニアリングをニューラルメッセージエンコーダとデコーダに置き換える、エンドツーエンドで学習可能な周波数領域透かしフレームワークであるDeepFreqMarkを提案する。
• 参考スコア（独自算出の注目度）: 1.0603443346390629
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The proliferation of AI-generated images produced by Latent Diffusion Models (LDMs) has raised critical concerns regarding copyright infringement and misinformation. Although existing frequency-domain watermarking methods embed handcrafted geometric patterns into the initial latent noise prior to generation, they suffer from limited capacity and rigid pattern designs. We propose DeepFreqMark, an end-to-end learnable frequency-domain watermarking framework that replaces manual pattern engineering with a neural message encoder and decoder. To circumvent the computational bottleneck caused by Denoising Diffusion Implicit Model (DDIM) inversion during training, we introduce a Spherical Linear Interpolation (Slerp)-based attack simulation. This approach operates directly on the noise latent while strictly preserving the Gaussian variance. Extensive experiments demonstrate that DeepFreqMark achieves significantly lower Bit Error Rates (BER) than baseline methods under real-world attacks and scales to 256 bits message capacity. Our source code is available at https://github.com/chenhsiu48/DeepFreqMark.
• Abstract（参考訳）: ラテント拡散モデル(LDM)が生成するAI生成画像の拡散は、著作権侵害や誤情報に関する重要な懸念を引き起こしている。 既存の周波数領域の透かし法は、手作りの幾何学的パターンを生成前の潜在雑音に埋め込むが、それらは限られた容量と硬いパターン設計に悩まされている。 我々は、手動のパターンエンジニアリングをニューラルメッセージエンコーダとデコーダに置き換える、エンドツーエンドで学習可能な周波数領域透かしフレームワークであるDeepFreqMarkを提案する。 トレーニング中の拡散入射モデル(DDIM)の逆転による計算ボトルネックを回避するために,球状線形補間(Slerp)に基づく攻撃シミュレーションを導入する。 このアプローチは、ガウスの分散を厳密に保ちながら、ノイズラテントを直接操作する。 大規模な実験により、DeepFreqMarkは実世界の攻撃下でのベースラインメソッドよりもビットエラー率(BER)が大幅に低くなり、256ビットのメッセージキャパシティにスケールすることを示した。 ソースコードはhttps://github.com/chenhsiu48/DeepFreqMarkで入手できます。

関連論文リスト

• Gaussian Shannon: High-Precision Diffusion Model Watermarking Based on Communication [4.347817782863135]
  拡散モデルは高品質な画像を生成するが、著作権侵害や偽情報といった重大なリスクをもたらす。 本稿では,拡散過程をノイズの多い通信チャネルとして扱う透かしフレームワークを提案する。 提案手法は, 微調整や品質損失を伴わずに初期ガウス雑音に透かしを埋め込む。
  論文  参考訳（メタデータ） (2026-03-27T08:34:53Z)
• SIGMark: Scalable In-Generation Watermark with Blind Extraction for Video Diffusion [11.934813439152528]
  目に見えない透かしは、AIが生成した動画を保護し、有害なコンテンツを追跡するための重要な技術であり、AIの安全性において重要な役割を果たす。 既存の世代のアプローチは盲目ではなく、すべてのメッセージキーペアを維持し、抽出中にテンプレートベースのマッチングを実行する必要がある。 ビデオ拡散のためのブラインド抽出機能を備えたスケーラブルなインジェネレーション・ウォーターマーキングフレームワークであるSIGMarkを提案する。
  論文  参考訳（メタデータ） (2026-03-03T11:33:44Z)
• 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)
• DenoiseGS: Gaussian Reconstruction Model for Burst Denoising [29.507111067242118]
  バースト復調のための3次元ガウススプラッティングの効率性を活用した最初のフレームワークであるDenoiseGSを提案する。 提案手法は,雑音入力にフィードフォワードガウス再構成モデルを適用する際の2つの重要な課題に対処する。 実験により、DenoiseGSはバーストデノイングと新規ビュー合成の両方において最先端のNeRFベースの手法をはるかに上回っていることが示された。
  論文  参考訳（メタデータ） (2025-11-28T07:29:54Z)
• T2SMark: Balancing Robustness and Diversity in Noise-as-Watermark for Diffusion Models [89.29541056113442]
  T2SMarkはTail-Truncated Smpling(TTS)に基づく2段階の透かし方式である U-NetとDiTのバックボーンを用いた拡散モデル上でのT2SMarkの評価を行った。
  論文  参考訳（メタデータ） (2025-10-25T16:55:55Z)
• Coefficients-Preserving Sampling for Reinforcement Learning with Flow Matching [6.238027696245818]
  Reinforcement Learning (RL) は拡散およびフローマッチングモデルにおける画像生成と映像生成を改善する強力な手法として登場した。 SDEに基づくサンプリングは、生成された画像に顕著なノイズアーティファクトを導入します。 提案手法であるCoefficients-Preserving Sampling (CPS)は,これらのノイズアーティファクトを除去する。
  論文  参考訳（メタデータ） (2025-09-07T07:25:00Z)
• Gaussian Shading++: Rethinking the Realistic Deployment Challenge of Performance-Lossless Image Watermark for Diffusion Models [66.54457339638004]
  著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。 本研究では,実世界の展開に適した拡散モデル透かし手法を提案する。 Gaussian Shading++はパフォーマンスのロスレス性を維持するだけでなく、ロバスト性の観点からも既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-04-21T11:18:16Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• Variational Diffusion Auto-encoder: Latent Space Extraction from Pre-trained Diffusion Models [0.0]
  可変オートエンコーダ(VAE)は、生成された画像の品質の問題に直面し、しばしば目立った曖昧さを示す。 この問題は、条件付きデータ分布を近似する非現実的な仮定である $p(textbfx | textbfz)$ が等方ガウス的であることに由来する。 本稿では,エンコーダを最適化することにより,既存の拡散モデルから潜在空間を抽出し,限界データのログ化を最大化する方法について述べる。
  論文  参考訳（メタデータ） (2023-04-24T14:44:47Z)

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。