論文の概要: PROVE: Training-Free Prompt Recovery using Verifiable Evidence
- arxiv url: http://arxiv.org/abs/2608.13671v1
- Date: Thu, 13 Aug 2026 18:08:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.183097
- Title: PROVE: Training-Free Prompt Recovery using Verifiable Evidence
- Title（参考訳）: PROVE:検証エビデンスを用いたトレーニング不要のプロンプト回復
- Abstract要約: 本稿では,PROVE(Prompt Recovery with Verified Evidence)を導入した。
トークンシーケンスを最適化するのではなく、検証可能なシーン記述を構成することでプロンプトを再構築する。
得られたプロンプトは完全に監査可能で、回収された全てのクレームは明示的な画像証拠に基づいている。
- 参考スコア（独自算出の注目度）: 5.5813258856679555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern text-to-image models can generate highly realistic images from natural-language prompts, while recent advances in prompt inversion have made it increasingly feasible to recover those prompts from generated outputs, raising new concerns for copyright protection and content ownership. As prompt marketplaces emerge, recovered prompts can enable both the unauthorized reproduction and redistribution of copyrighted creative works, and the exposure of the prompts that encode an artist's creative recipe in AI-generated content. Existing prompt inversion methods rely on gradient-based optimization, autoregressive captioning, or reinforcement learning. However, optimization-based methods often produce unreadable prompts, captioning methods hallucinate unverified details, and RL-based approaches frequently overfit to specific generators while introducing evaluation circularity. We introduce PROVE (Prompt Recovery with Verified Evidence), a training-free, black-box prompt inversion attack that reconstructs prompts by composing verifiable scene descriptions rather than optimizing token sequences, targeting both original copyrighted works and AI-generated content. The resulting prompts are fully auditable, with every recovered claim grounded in explicit image evidence, and are formalized through a precision-constrained recall maximization objective. Across MS-COCO, Flickr30K, and Lexica, using state-of-the-art text-to-image generators, PROVE consistently outperforms optimization, captioning, and RL-based baselines on image similarity (DINO, LPIPS) and text-image alignment (CLIP), without any training, generator access, or fine-tuning, demonstrating a stronger and more practical prompt inversion attack.
- Abstract（参考訳）: 現代のテキスト・ツー・イメージモデルは、自然言語のプロンプトから非常にリアルなイメージを生成することができる一方で、近年のインバージョンにより、生成されたアウトプットからこれらのプロンプトを復元しやすくなり、著作権保護とコンテンツ所有に対する新たな懸念が高まっている。
プロンプト市場が出現するにつれて、復元されたプロンプトは、著作権のあるクリエイティブ作品の再配布と、AI生成コンテンツにアーティストの創造的レシピをエンコードするプロンプトの公開を可能にする。
既存のプロンプトインバージョン手法は、勾配に基づく最適化、自己回帰キャプション、強化学習に依存している。
しかし、最適化に基づく手法は、しばしば読めないプロンプトを生成し、キャプション法は、証明されていない詳細を幻覚させ、RLベースのアプローチは、評価円度を導入しながら、特定のジェネレータによく適合する。
ProVE(Prompt Recovery with Verified Evidence)は,オリジナル著作権作品とAI生成コンテンツの両方を対象として,トークンシーケンスを最適化するのではなく,検証可能なシーン記述を構成することで,プロンプトを再構築する,トレーニング不要でブラックボックスのプロンプトインバージョンアタックである。
得られたプロンプトは完全に監査可能で、すべての回収されたクレームは明確な画像証拠に基礎を置いており、精度に制約されたリコール最大化の目的によって形式化されている。
MS-COCO、Flickr30K、レキシカでは、最先端のテキスト・トゥ・イメージジェネレータを使用して、画像類似性(DINO、LPIPS)とテキスト・イメージアライメント(CLIP)に基づく最適化、キャプション、RLベースのベースラインを一貫して上回り、トレーニング、ジェネレータアクセス、微調整を一切行わず、より強力で実用的なインバージョンアタックを示す。
関連論文リスト
- PRISM: Prompt Refinement via Image-grounded Self-rewarding Mechanism for Text-to-Image Generation [6.601249008729316]
PRISM(Prompt Refinement optimization framework)を提案する。
PRISMは、生成した画像を構造化された視覚診断で解釈することで、プロンプトイメージフィードバックループを閉じる。
実験により、PRISMは全体像の品質と微粒なセマンティックアライメントを改善することが示された。
論文 参考訳（メタデータ） (2026-07-27T12:31:32Z) - PromptEvolver: Prompt Inversion through Evolutionary Optimization in Natural-Language Space [20.416910591388618]
本稿では,対象画像の高忠実度再構成を実現しつつ,自然言語のプロンプトを生成するプロンプト・エボルバーを提案する。
提案手法は遺伝的アルゴリズムを用いてプロンプトを最適化し,進化過程の導出に強力な視覚言語モデルを活用する。
論文 参考訳（メタデータ） (2026-04-03T17:00:49Z) - Mitigating Memorization in Text-to-Image Diffusion via Region-Aware Prompt Augmentation and Multimodal Copy Detection [53.789057575175065]
領域認識型prompt Augmentation(RAPTA)とAttention-Driven Multimodal Copy Detection(ADMCD)を示す。
RAPTAはオブジェクト検出器を使用して、正常な領域を見つけ、それらを意味論的に接地したプロンプトの変種に変換する。
ADMCDは、ローカルパッチ、グローバルセマンティック、テクスチャキューを軽量トランスフォーマーで集約し、融合表現を生成する。
実験により、RAPTAは高い合成品質を維持しながら過度な適合を減少させ、ADMCDはコピーを確実に検出し、単一モードの指標より優れることが示された。
論文 参考訳（メタデータ） (2026-03-13T15:16:27Z) - Copyright Infringement Risk Reduction via Chain-of-Thought and Task Instruction Prompting [7.04790342345686]
トレーニングデータセットの再生は 著作権侵害のリスクをもたらす
本稿では,著作権のあるコンテンツ生成を減らすために,チェーン・オブ・ソートとタスク・インストラクションを併用した定式化を提案する。
生成した画像の著作権画像との類似性およびユーザ入力との関連性について検討する。
論文 参考訳（メタデータ） (2025-12-17T13:39:17Z) - EDITOR: Effective and Interpretable Prompt Inversion for Text-to-Image Diffusion Models [41.63451923844824]
本稿では,テキストから画像への拡散モデルに対するsysと呼ばれるプロンプトインバージョン手法を提案する。
本手法は,画像の類似性,テキストのアライメント,解釈可能性,一般化可能性の観点から,既存の手法よりも優れる。
論文 参考訳（メタデータ） (2025-06-03T16:44:15Z) - RePrompt: Reasoning-Augmented Reprompting for Text-to-Image Generation via Reinforcement Learning [88.14234949860105]
RePromptは、強化学習による迅速な強化プロセスに明示的な推論を導入する、新しいリプロンプトフレームワークである。
提案手法は,人手による注釈付きデータなしでエンドツーエンドのトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-05-23T06:44:26Z) - CopyJudge: Automated Copyright Infringement Identification and Mitigation in Text-to-Image Diffusion Models [58.58208005178676]
我々は,新しい自動侵害識別フレームワークであるCopyJudgeを提案する。
我々は, 抽象フィルタ比較テストフレームワークを用いて, 侵害の可能性を評価する。
インフレクションを自動最適化する汎用LVLM方式の緩和戦略を導入する。
論文 参考訳（メタデータ） (2025-02-21T08:09:07Z) - Decoder Pre-Training with only Text for Scene Text Recognition [54.93037783663204]
シーンテキスト認識(STR)事前学習法は,主に合成データセットに依存し,顕著な進歩を遂げている。
STR(DPTR)用テキストのみを用いたDecoder Pre-trainingという新しい手法を提案する。
DPTRはCLIPテキストエンコーダが生成したテキスト埋め込みを擬似視覚埋め込みとして扱い、デコーダの事前訓練に使用する。
論文 参考訳（メタデータ） (2024-08-11T06:36:42Z) - Dynamic Prompt Optimizing for Text-to-Image Generation [63.775458908172176]
テキストから画像への生成モデルを改善するために,textbfPrompt textbfAuto-textbfEditing (PAE)法を導入する。
我々は、各単語の重みと射出時間ステップを探索するために、オンライン強化学習戦略を採用し、動的微調整プロンプトを導いた。
論文 参考訳（メタデータ） (2024-04-05T13:44:39Z) - Prompt Expansion for Adaptive Text-to-Image Generation [51.67811570987088]
本稿では,より少ない労力で高品質で多様な画像を生成するためのPrompt Expansionフレームワークを提案する。
Prompt Expansionモデルはテキストクエリを入力として取り、拡張されたテキストプロンプトのセットを出力する。
本研究では,Prompt Expansionにより生成された画像が,ベースライン法により生成された画像よりも美的かつ多様であることを示す人体評価研究を行う。
論文 参考訳（メタデータ） (2023-12-27T21:12:21Z)
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。