論文の概要: Scalable Black-Box Model Attribution for Images

• arxiv url: http://arxiv.org/abs/2608.15652v1
• Date: Sun, 16 Aug 2026 09:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.375666
• Title: Scalable Black-Box Model Attribution for Images
• Title（参考訳）: 画像に対するスケーラブルなブラックボックスモデル属性
• Authors: Asaf Livne, Amir Jevnisek, Shai Avidan,
• Abstract要約: RPA(Raw-Patch Attribution)は、軽量CNNによる最も厳しいブラックボックス設定のイメージを特徴付ける。 25級のDRAGONでは98.0%、27級のOpenFakeでは92.9%に達した。
• 参考スコア（独自算出の注目度）: 16.880121048430752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid proliferation of generative models raises the model attribution problem: given only an image, can we determine which model produced it? Existing methods have grown as elaborate as the generators they target, on the as- sumption that a more sophisticated model demands a more sophisticated attributor. We show it does not. RPA (Raw- Patch Attribution) attributes images in the strictest black- box setting with a lightweight CNN. Despite its simplicity, it attributes more models at higher accuracy than prior work, reaching 98.0% on 25-class DRAGON and 92.9% on 27- class OpenFake; it is data-efficient and runs at a cost inde- pendent of the number of candidate models; and it stays ro- bust to the compression, blur, and resizing images undergo in the wild. Training for closed-set attribution yields a ver- satile feature extractor: the same representation recovers model lineage without supervision, flags and groups unseen generators, and admits new models through few-shot adap- tation rather than retraining.
• Abstract（参考訳）: 生成モデルの急速な拡散は、モデル帰属問題を提起する: 画像のみを考慮すれば、生成したモデルを決定することができるか? 既存の手法は、それらがターゲットとするジェネレータと同じくらい精巧に成長してきた。 私たちはそれを示さない。 RPA(Raw-Patch Attribution)は、軽量CNNによる最も厳しいブラックボックス設定のイメージを特徴付ける。 単純さにもかかわらず、以前の作業よりも精度が高く、25級のDRAGONで98.0%、27級のOpenFakeで92.9%、データ効率が良く、候補モデルのインデペンデントで実行され、圧縮、ぼかし、縮小された画像に対してロバストを維持している。 クローズドセット属性のトレーニングでは、Ver- satile特徴抽出器が得られ、同じ表現は、監督、フラグ、グループが見えないジェネレータを使わずにモデル系統を復元し、再訓練ではなく、数発のアダプ・テイションを通じて新しいモデルを認める。

関連論文リスト

• Explore the vulnerability of black-box models via diffusion models [12.444628438522702]
  本研究では,アタッカーが拡散モデルAPIを利用して合成画像を生成するという,新たなセキュリティ脅威を明らかにする。 これにより、攻撃者はブラックボックス分類モデルに対するモデル抽出と転送ベースの敵攻撃を実行することができる。 本手法は,クエリ予算の0.01倍しか使用せず,最先端の手法よりも平均27.37%向上していることを示す。
  論文  参考訳（メタデータ） (2025-06-09T09:36:31Z)
• Where's the liability in the Generative Era? Recovery-based Black-Box Detection of AI-Generated Content [53.93606081932928]
  APIアクセスのみを必要とする新しいブラックボックス検出フレームワークを導入する。 画像がモデル自身によって生成された可能性を測定する。 マスクされた画像入力をサポートしないブラックボックスモデルに対して、ターゲットモデル分布に適合するように訓練された費用効率の良い代理モデルを導入する。
  論文  参考訳（メタデータ） (2025-05-02T05:11:35Z)
• Model Integrity when Unlearning with T2I Diffusion Models [11.321968363411145]
  「忘れ分布からのサンプルを特徴とする特定種類の画像の生成を減らすために、近似機械学習アルゴリズムを提案する。」 次に、既存のベースラインと比較してモデルの整合性を保つ上で優れた効果を示す未学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-04T13:15:28Z)
• DEEM: Diffusion Models Serve as the Eyes of Large Language Models for Image Perception [66.88792390480343]
  本稿では,拡散モデルの生成的フィードバックを利用して画像エンコーダのセマンティックな分布を整合させる,シンプルだが効果的なアプローチであるDEEMを提案する。 DEEMは、トレーニング可能なパラメータが少なく、事前学習データが少なく、ベースモデルのサイズが小さいことを利用して、モデル幻覚を軽減するために、強化された堅牢性と優れた能力を示す。
  論文  参考訳（メタデータ） (2024-05-24T05:46:04Z)
• Towards Few-Call Model Stealing via Active Self-Paced Knowledge Distillation and Diffusion-Based Image Generation [28.447627065654906]
  そこで本研究では,ブラックボックスの分類モデルを,トレーニングデータやアーキテクチャ,重みなどにアクセスせずにコピーすることを提案する。 蒸留時にプロキシデータを最大限に活用するために,新たなアクティブなセルフペース学習フレームワークを採用している。 3つのデータセットに対する実験結果から, ファスコールモデル抽出シナリオにおける4つの最先端手法よりも, フレームワークの優位性が確認された。
  論文  参考訳（メタデータ） (2023-09-29T19:09:27Z)
• Consistency Models [89.68380014789861]
  ノイズを直接データにマッピングすることで,高品質なサンプルを生成する新しいモデル群を提案する。 設計によって高速なワンステップ生成をサポートしながら、マルチステップサンプリングによって、サンプル品質の計算を交換することができる。 イメージインペイント、カラー化、超高解像度といったゼロショットデータ編集も、明示的なトレーニングを必要とせずサポートしている。
  論文  参考訳（メタデータ） (2023-03-02T18:30:16Z)
• Taming Normalizing Flows [22.15640952962115]
  本稿では,正規化フローモデルを用いるアルゴリズムを提案する。 与えられた画像の正確な生成確率を計算することができるため,フローの正規化に着目する。 モデリングは、モデルをスクラッチからトレーニングすることなく、高速な微調整プロセスで達成され、数分でゴールを達成します。
  論文  参考訳（メタデータ） (2022-11-29T18:56:04Z)
• On Distillation of Guided Diffusion Models [94.95228078141626]
  そこで本研究では,分類器を含まない誘導拡散モデルから抽出し易いモデルへ抽出する手法を提案する。 画素空間上で訓練された標準拡散モデルに対して,本手法は元のモデルに匹敵する画像を生成することができる。 遅延空間で訓練された拡散モデル(例えば、安定拡散)に対して、我々の手法は1から4段階のデノナイジングステップで高忠実度画像を生成することができる。
  論文  参考訳（メタデータ） (2022-10-06T18:03:56Z)
• Model Watermarking for Image Processing Networks [120.918532981871]
  深層モデルの知的財産権を保護する方法は、非常に重要であるが、真に研究されていない問題である。 画像処理モデルを保護するための最初のモデル透かしフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T18:36:18Z)

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。