論文の概要: Fingerprinting Text-to-Image Diffusion Models via Collapsed Generation

• arxiv url: http://arxiv.org/abs/2608.11732v1
• Date: Wed, 12 Aug 2026 07:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.487332
• Title: Fingerprinting Text-to-Image Diffusion Models via Collapsed Generation
• Title（参考訳）: 崩壊生成によるフィンガープリンティングテキスト・画像拡散モデル
• Abstract要約: 崩壊生成は、学習された生成プロセスの本質的でモデルに依存した特性である。 崩壊した世代指紋は、混乱の少ない異なるソースモデルを識別できることを示す。 これらの指紋は、微調整されたデリバティブや、一般的で適応的なモデルやクエリレベルの難読化の下でも検証可能である。
• 参考スコア（独自算出の注目度）: 38.697895774925136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proprietary text-to-image diffusion models are increasingly distributed as hosted services and downloadable checkpoints, making their intellectual property (IP) protection an increasingly critical concern when model leakage, copying, or unauthorized fine-tuning is disputed. In this work, we present a non-invasive model fingerprinting framework based on \emph{collapsed generation}, a phenomenon where certain input conditions produce highly consistent images across multiple stochastic seeds. We show that collapsed generation is an intrinsic, model-dependent property of the learned generation process. These collapse-prone conditions therefore expose model-specific behavioral signatures, enabling reliable ownership verification without embedding invasive watermarks. After preparing conditions on the source model, the framework verifies a suspect model under two access settings: (1) white-box pipeline access, where optimized continuous embeddings can be injected into the generation process, and (2) black-box API-only access, where natural language prompts are queried through the service interface. In both cases, ownership evidence is measured by whether the suspect model reproduces the source model's collapse behavior across stochastic samplings. Extensive experiments across UNet- and transformer-based diffusion models show that collapsed generation fingerprints can distinguish different source models with low confusion. These fingerprints remain verifiable in fine-tuned derivatives and under common and adaptive model- or query-level obfuscations, while requiring only a modest verification query budget. Together, these results establish collapsed generation as a reliable intrinsic evidence source for non-invasive diffusion model ownership verification.
• Abstract（参考訳）: プロプライエタリなテキスト・ツー・イメージの拡散モデルは、ホストされたサービスやダウンロード可能なチェックポイントとして、ますます分散され、モデルリーク、コピー、または不正な微調整が議論されているときに、その知的財産(IP)保護がますます重要な懸念事項となっている。 本研究では,複数の確率的シードに対して,特定の入力条件が高度に一貫した画像を生成する現象である「emph{collapsed generation}」に基づく非侵襲的モデルフィンガープリントフレームワークを提案する。 崩壊した生成は、学習した生成プロセスの本質的、モデルに依存した特性であることを示す。 これらの崩壊が引き起こす条件は、モデル固有の行動シグネチャを露呈し、侵入した透かしを埋め込むことなく、信頼性の高い所有権検証を可能にする。 ソースモデルの条件を準備した後、フレームワークは、(1)最適化された継続的埋め込みを生成プロセスに注入可能なホワイトボックスパイプラインアクセス、(2)自然言語プロンプトをサービスインターフェースを介してクエリするブラックボックスAPIのみアクセスという2つのアクセス設定下で、容疑者モデルを検証する。 どちらの場合も、疑似モデルが確率的サンプリング全体にわたってソースモデルの崩壊挙動を再現するかどうかによって、オーナシップのエビデンスを測定する。 UNetおよびTransformerベースの拡散モデルにわたる大規模な実験により、崩壊した生成指紋は、混乱の少ない異なるソースモデルを識別できることが示されている。 これらの指紋は、微調整されたデリバティブや、一般的な適応型モデルやクエリレベルの難読化の下でも検証可能であるが、検証クエリの予算はわずかである。 これらの結果は,非侵襲拡散モデルオーナシップ検証のための信頼性の高い本質的な証拠源として,崩壊生成を確立した。

関連論文リスト

• Efficient, Robust, and Anti-Collusion Fingerprinting of Image Diffusion Models [99.66311024852651]
  既存のモデルフィンガープリント法では、衝突攻撃に対する堅牢性が欠如している。 本稿では,抗凝固能を有するT2Iモデルに対するロバストフィンガープリント手法を提案する。 本手法は,複数のT2I画像生成および編集タスクにおいて,指紋抽出精度99.5%を超える高い忠実度と堅牢性を実現する。
  論文  参考訳（メタデータ） (2026-06-11T07:12:13Z)
• A Behavioral Fingerprint for Large Language Models: Provenance Tracking via Refusal Vectors [43.11304710234668]
  安全アライメントによって引き起こされる行動パターンを活用する新しいフィンガープリントフレームワークを提案する。 76の子孫モデルを対象とした大規模識別タスクにおいて,本手法は正しいモデル群を同定する際の精度を100%向上する。 本稿では,このプライベートフィンガープリントを,公開で検証可能なプライバシー保護アーティファクトに変換するための理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-02-10T05:57:35Z)
• ExposeAnyone: Personalized Audio-to-Expression Diffusion Models Are Robust Zero-Shot Face Forgery Detectors [58.45131932883374]
  ビデオ中のディープフェイクを検出するための完全自己教師型アプローチを提案する。 本モデルでは,拡散再構成誤差を用いて,疑わしい映像とパーソナライズされた被写体との同一性距離を算出する。 本手法は, ボケや圧縮などの汚損に対して極めて堅牢であり, 現実の顔偽造検出への適用性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T18:59:54Z)
• SeedPrints: Fingerprints Can Even Tell Which Seed Your Large Language Model Was Trained From [65.75182441010327]
  我々は,LDMフィンガープリントのより強く,より本質的な概念であるSeedPrintsを提案する。 トレーニングされていないモデルでは,パラメータのみに依存した再現可能なトークン選択バイアスが示される。 LLaMAスタイルとQwenスタイルのモデルの実験では、SeedPrintsはシードレベルの識別性を実現し、バイオメトリック指紋に似た生来からライフサイクルの識別認証を提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:34:08Z)
• Causal Fingerprints of AI Generative Models [18.85839181425287]
  完全なモデル指紋は、画像の出現とモデルトレースの因果関係を反映すべきである、と我々は主張する。 本稿では、画像固有のコンテンツやスタイルから切り離す因果分離フレームワークを提案する。 提案手法は, モデル属性における既存手法よりも優れており, 偽造検出, モデル著作権追跡, アイデンティティ保護の強力な可能性を示している。
  論文  参考訳（メタデータ） (2025-09-18T20:33:27Z)
• AuthPrint: Fingerprinting Generative Models Against Malicious Model Providers [5.450474861880874]
  本稿では,認証モデルの出力空間から隠れ指紋を抽出し,検知器を訓練する信頼性検証器を提案する。 検証中、この検出器は、特別なハードウェアやモデル修正を必要とせずに、新しい出力が認定されたモデルと一致しているかどうかを判断できる。 GANと拡散モデルの両方でFPR@95%TPRをほぼゼロとする実験を行った。
  論文  参考訳（メタデータ） (2025-08-06T12:17:38Z)
• Attuned to Change: Causal Fine-Tuning under Latent-Confounded Shifts [32.989526411946606]
  遅れた構築されたシフトに適応することは、現代AIにおける中核的な課題である。 1つの実用的障害モードは、構築されたデータに基づいて訓練済みの基礎モデルを微調整するときに発生する。 我々は、因果微調整を識別問題として捉え、入力を低レベルなスプリアス特徴に分解する明示的な因果モデルを示す。
  論文  参考訳（メタデータ） (2024-10-18T11:06:23Z)
• WOUAF: Weight Modulation for User Attribution and Fingerprinting in Text-to-Image Diffusion Models [32.29120988096214]
  本稿では,生成画像に責任を負うモデルフィンガープリントの新たなアプローチを提案する。 提案手法は,ユーザ固有のデジタル指紋に基づいて生成モデルを修正し,ユーザへ遡ることができるコンテンツにユニークな識別子を印字する。
  論文  参考訳（メタデータ） (2023-06-07T19:44:14Z)
• Decentralized Attribution of Generative Models [35.80513184958743]
  分散属性は、各ユーザ-エンドモデルに関連付けられたバイナリ分類器に依存する。 帰属性を低く保証するキーの十分な条件を開発する。 本手法は,MNIST,CelebA,FFHQのデータセットを用いて検証した。
  論文  参考訳（メタデータ） (2020-10-27T01:03:45Z)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)
• Understanding the Intrinsic Robustness of Image Distributions using Conditional Generative Models [87.00072607024026]
  本稿では,2つの画像ベンチマークの内在的堅牢性について,$ell$摂動下で検討する。 我々は、我々の理論によって示唆されるロバスト性限界と現在の最先端ロバストモデルによって達成される対角的ロバスト性の間に大きなギャップが存在することを示す。
  論文  参考訳（メタデータ） (2020-03-01T01:45:04Z)

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。