論文の概要: DRIFT: Removing Diffusion Watermarks by Deflecting the Generative Trajectory
- arxiv url: http://arxiv.org/abs/2609.08213v1
- Date: Tue, 08 Sep 2026 03:54:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.571172
- Title: DRIFT: Removing Diffusion Watermarks by Deflecting the Generative Trajectory
- Title（参考訳）: DRIFT:生成軌道定義による拡散透かしの除去
- Abstract要約: 拡散透かしは、検証可能な信号を生成過程に埋め込む。
我々は,部分的な前方拡散と逆再サンプリングを組み合わせたブラックボックス攻撃であるDRIFTを提案する。
3つのパラダイムにまたがる9つの透かしのうち、DRIFTは98-100%の攻撃成功と最高の画質を達成する。
- 参考スコア（独自算出の注目度）: 9.706332101916248
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion watermarking embeds verifiable signals into the generative process and commonly verifies them by recovering trajectory-dependent evidence, making the marks robust to conventional pixel-space distortions. Existing removal attacks either regenerate along deterministic trajectories, which often preserve the watermark-bearing latent structure, or optimize every image separately. We identify the reliance on a recoverable generative trajectory as a common attack surface among the schemes we study. Based on this observation, we propose DRIFT, a black-box attack that combines partial forward diffusion with stochastic reverse resampling. Forward re-noising limits source information available to a fixed-depth recovery pipeline, while stochastic reversal supplies alternative noise-driven paths whose removal benefit we isolate through matched sampler comparisons. Adaptive DRIFT searches a selected ladder for each image's first verifier-rejected rung and refines fidelity while retaining only updates rejected by the same verifier. At fixed depth, we derive information-theoretic and Wasserstein source-dependence bounds; under realized-ladder monotonicity, the first rejected rung is least distorted among rejected rungs on that ladder, and verifier-gated refinement preserves rejection. Across nine watermarks spanning three paradigms, DRIFT achieves 98-100% attack success and the best image quality among the compared attacks, without secret keys, verifier internals, or per-image gradient optimization.
- Abstract（参考訳）: 拡散透かしは、検証可能な信号を生成過程に埋め込み、軌跡に依存した証拠を回収し、従来のピクセル空間の歪みに頑健な印を作る。
既存の除去攻撃は決定論的軌道に沿って再生し、しばしば透かしを持つ潜在構造を保存するか、または全ての画像を個別に最適化する。
本研究では, 回復可能な生成軌道への依存度を, 共通の攻撃面として同定する。
そこで本研究では,部分的前方拡散と確率的逆サンプリングを組み合わせたブラックボックス攻撃であるDRIFTを提案する。
前向きの再ノイズ化は、固定深度回復パイプラインで利用可能なソース情報に制限を与える一方、確率反転は、一致したサンプルラー比較によって分離した除去効果を持つ代替ノイズ駆動経路を提供する。
Adaptive DRIFTは、各画像の最初の検証対象を除外したラングに対して選択されたラグを検索し、同じ検証対象によって拒否された更新のみを保持しながら忠実さを洗練する。
固定深度では,情報理論およびワッサースタインのソース依存性境界を導出し,実効ラダーの単調性の下では,最初の拒絶されたラングは,そのはしご上の棄却されたラングの中で最小に歪められ,検証子修飾により拒絶が保たれる。
3つのパラダイムにまたがる9つの透かしのうち、DRIFTは98-100%の攻撃成功と、シークレットキー、検証器内部、画像毎の勾配最適化なしで比較した攻撃の中で最高の画像品質を達成する。
関連論文リスト
- Scale-Consistent Posterior Dynamics for Diffusion Inverse Problems [16.685352002333225]
事前訓練された拡散前の後方サンプリングは、一般に難易度成分を有する条件付きスコアによって管理される。
クリーン後部にターゲットが近づいた騒音条件付き経路が連続的なサロゲートSDEを生成することを示す。
FFHQ と ImageNet の100点評価実験により,超解像および分解能の競争再現性を示す。
論文 参考訳（メタデータ） (2026-08-15T09:38:41Z) - TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。
TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。
TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
論文 参考訳（メタデータ） (2026-07-28T15:51:39Z) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - SHIFT: Stochastic Hidden-Trajectory Deflection for Removing Diffusion-based Watermark [9.706332101916248]
拡散に基づく透かし法は、初期雑音や逆拡散軌道を操作することで印を埋め込む。
我々は、様々なウォーターマーキングパラダイムにまたがるこの共通の弱点を利用する、トレーニング不要な攻撃であるShiftを提案する。
そこで本研究では,シークエンスの品質を損なうことなく,シークエンス固有の知識やモデル再訓練を必要とせず,95%～100%の攻撃成功率を達成することを示す。
論文 参考訳（メタデータ） (2026-03-31T13:39:37Z) - Where, What, Why: Toward Explainable 3D-GS Watermarking [24.13795691386156]
3D Gaussian Splattingはインタラクティブな3Dアセットのデファクト表現である。
品質の保存方法から書き方を分離する表現ネイティブフレームワークを提案する。
最先端手法と比較して,PSNRは+0.83dB,ビット精度は+1.24%向上した。
論文 参考訳（メタデータ） (2026-03-09T18:05:27Z) - ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。
本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
論文 参考訳（メタデータ） (2025-08-10T16:03:44Z) - Active Adversarial Noise Suppression for Image Forgery Localization [56.98050814363447]
本稿では、敵騒音の攻撃効果を抑制するために、防御的摂動を発生させる敵騒音抑制モジュール(ANSM)を提案する。
我々の知る限りでは、画像フォージェリローカライゼーションタスクにおける敵対的防御の報告としてはこれが初めてである。
論文 参考訳（メタデータ） (2025-06-15T14:53:27Z) - Deep priors for satellite image restoration with accurate uncertainties [4.879530644978008]
本稿では,複数のセンサからの画像を復元する1つのネットワークを包含する汎用手法を提案する。
VBLE-xzは、現実的な後続サンプルと正確な不確実性を得るためのスケーラブルな方法である。
SatDPIRは、不確実性を必要としない場合、直接反転法に代わる魅力的な代替手段である。
論文 参考訳（メタデータ） (2024-12-05T12:56:03Z) - 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) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z)
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。