論文の概要: MarkNull: Model-Agnostic Watermark Removal in AI-Generated Images via On-Manifold Latent Manipulation

• arxiv url: http://arxiv.org/abs/2608.10166v1
• Date: Mon, 10 Aug 2026 19:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.796121
• Title: MarkNull: Model-Agnostic Watermark Removal in AI-Generated Images via On-Manifold Latent Manipulation
• Title（参考訳）: MarkNull: オンマニフォールドラテントマニピュレーションによるAI生成画像のモデル非依存な透かし除去
• Abstract要約: モデルに依存しない潜伏操作による透かし除去攻撃であるMarkNullを提案する。 ウォーターマークされた画像は、生成された潜在表現と埋め込まれた初期ノイズの間に強い統計的依存性を示す。 我々の攻撃はGoogleのSynthID-Imageシステムに侵入し、高画質を保ち、ビデオ透かしに効果的に転送することに成功した。
• 参考スコア（独自算出の注目度）: 17.91170892407516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital watermarking has emerged as a critical technique for provenance and copyright attribution in AI-generated imagery, yet its robustness against realistic, model-agnostic removal attacks remains poorly explored. Existing attacks either succeed only against specific generative models or achieve removal at the cost of severe visual degradation. In this paper, we propose MarkNull, a model-agnostic watermark removal attack via on-manifold latent manipulation. MarkNull is grounded in a key observation: watermarked images exhibit a strong statistical dependency between the generated latent representation and the embedded initial noise. To quantify this dependency, we introduce the Noise-Latent Alignment Score (NLAS) and formulate an optimization objective that selectively decorrelates the latent representation from the embedded watermark while preserving semantic fidelity. Extensive evaluations across different categories of watermarking paradigms, including post-hoc, fine-tuning-based, and initial-noise-based schemes, demonstrate that MarkNull reduces average bit accuracy to 53.14%, approaching random-guessing (50%), without perceptible image degradation. To further improve scalability, we propose MarkNull-A, an amortized, optimization-free variant that distills the attack into a single forward pass, achieving 0.50 s/image with modest computational overhead. Notably, our attacks successfully compromise Google's SynthID-Image system while preserving high visual quality and transfer effectively to video watermarking. Finally, we present an attack detection mechanism as a defensive counterpart to MarkNull and MarkNull-A, highlighting the necessity of developing watermark designs resilient to model-agnostic latent-space attacks.
• Abstract（参考訳）: デジタル透かしは、AI生成画像における証明と著作権の帰属にとって重要な技術として登場したが、現実的でモデルに依存しない除去攻撃に対する堅牢性はいまだに調査されていない。 既存の攻撃は、特定の生成モデルに対してのみ成功するか、深刻な視覚的劣化の犠牲で除去される。 本稿では,マント操作によるモデルに依存しない透かし除去攻撃であるMarkNullを提案する。 ウォーターマークされた画像は、生成された潜在表現と埋め込まれた初期ノイズの間に強い統計的依存性を示す。 この依存性を定量化するために、NLAS(Noss-Latent Alignment Score)を導入し、意味的忠実性を維持しつつ、埋め込み透かしから潜時表現を選択的にデコレーションする最適化目標を定式化する。 ポストホック、微調整ベース、初期ノイズベースのスキームを含む様々なカテゴリーの透かしパラダイムに対する広範囲な評価は、MarkNullが平均ビット精度を53.14%に下げ、ランダムガッシング(50%)に近づき、画像の劣化を認識できないことを示した。 スケーラビリティをさらに向上するために、MarkNull-Aを提案する。これは、アタックを1つのフォワードパスに蒸留し、わずかに計算オーバーヘッドの少ない0.50s/imageを実現している。 特に、我々の攻撃はGoogleのSynthID-Imageシステムに侵入し、高画質を保ち、ビデオ透かしに効果的に転送することに成功した。 最後に,MarkNull と MarkNull-A に対抗して攻撃検出機構を提案する。

関連論文リスト

• RAVEN: Erasing Invisible Watermarks via Novel View Synthesis [35.417500510522835]
  本研究では,透かし除去をビュー合成問題として再検討することにより,目に見えない透かしの根本的な脆弱性を明らかにする。 我々の重要な洞察は、視覚的忠実性を維持しながら、同じ意味的内容の知覚的に一貫した代替ビューを生成し、埋め込みされた透かしを自然に取り除くことである。 本稿では, 静止空間における制御幾何変換を適用したゼロショット拡散に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-13T18:59:58Z)
• IConMark: Robust Interpretable Concept-Based Watermark For AI Images [50.045011844765185]
  我々は,新しい世代のロバストなセマンティックな透かし法であるIConMarkを提案する。 IConMarkは、解釈可能な概念をAI生成イメージに組み込み、敵の操作に耐性を持たせる。 我々は、検出精度と画質の維持の観点から、その優位性を実証する。
  論文  参考訳（メタデータ） (2025-07-17T05:38:30Z)
• When There Is No Decoder: Removing Watermarks from Stable Diffusion Models in a No-box Setting [37.85082375268253]
  本研究では,透かしの埋め込みをテキスト・ツー・イメージ生成と組み合わせたモデル固有透かしの堅牢性について検討する。 我々は、エッジ予測ベースの3つの攻撃戦略、ボックスのぼかし、ノーボックス設定で微調整ベースの攻撃を導入する。 我々の最高の攻撃は、透かし検出精度を約47.92%に低下させる。
  論文  参考訳（メタデータ） (2025-07-04T15:22:20Z)
• 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)
• 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)
• Robustness of Watermarking on Text-to-Image Diffusion Models [9.277492743469235]
  本稿では,透かし埋め込みとテキスト・ツー・イメージ・ジェネレーション処理を統合することで生成する透かしの堅牢性について検討する。 生成型透かし法は, 識別器による攻撃やエッジ予測に基づく攻撃のエッジ情報に基づく操作など, 直接回避攻撃に対して堅牢であるが, 悪意のある微調整には脆弱であることがわかった。
  論文  参考訳（メタデータ） (2024-08-04T13:59:09Z)
• Certifiably Robust Image Watermark [57.546016845801134]
  ジェネレーティブAIは、偽情報やプロパガンダキャンペーンの促進など、多くの社会的懸念を提起する。 ウォーターマークAI生成コンテンツは、これらの懸念に対処するための重要な技術である。 本報告では, 除去・偽造攻撃に対するロバスト性保証を保証した最初の画像透かしを提案する。
  論文  参考訳（メタデータ） (2024-07-04T17:56:04Z)
• Wide Flat Minimum Watermarking for Robust Ownership Verification of GANs [23.639074918667625]
  ホワイトボックス攻撃に対するロバスト性を向上したGANのための新しいマルチビット・ボックスフリー透かし手法を提案する。 透かしは、GANトレーニング中に余分な透かし損失項を追加することで埋め込む。 その結果,透かしの存在が画像の品質に与える影響は無視できることがわかった。
  論文  参考訳（メタデータ） (2023-10-25T18:38:10Z)
• DiffWA: Diffusion Models for Watermark Attack [8.102989872457156]
  ウォーターマーク攻撃のための距離誘導付き条件拡散モデルDiffWAを提案する。 提案手法のコアとなるのは,非透かし画像上の画像から画像への条件付き拡散モデルを訓練することである。 その結果, モデルが良好な効果で透かしを除去し, 透かし抽出のビット誤り率を0.4以上にすることができることがわかった。
  論文  参考訳（メタデータ） (2023-06-22T10:45:49Z)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)
• Fine-tuning Is Not Enough: A Simple yet Effective Watermark Removal Attack for DNN Models [72.9364216776529]
  我々は異なる視点から新しい透かし除去攻撃を提案する。 我々は、知覚不可能なパターン埋め込みと空間レベルの変換を組み合わせることで、単純だが強力な変換アルゴリズムを設計する。 我々の攻撃は、非常に高い成功率で最先端の透かしソリューションを回避できる。
  論文  参考訳（メタデータ） (2020-09-18T09:14:54Z)

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。