論文の概要: RAIN: Region-Aware Inversion Network for Semantic Watermark Extraction
- arxiv url: http://arxiv.org/abs/2609.14856v2
- Date: Tue, 22 Sep 2026 23:58:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.629895
- Title: RAIN: Region-Aware Inversion Network for Semantic Watermark Extraction
- Title（参考訳）: RAIN:セマンティックな透かし抽出のための地域対応インバージョンネットワーク
- Abstract要約: 終端回復を画像のようなアンカーとノイズ指向残差に分解する軽量なプロンプトフリー抽出器を提案する。
ノイズ抽出の計算コストはOSIとFARIのどちらよりも低い。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic watermarks for diffusion models embed ownership information into the generative process while preserving perceptual quality, but Gaussian-Shading extraction conventionally requires multi-step diffusion inversion to recover the initial noise. Recent one-step methods show that this cost can be reduced substantially. We study this problem through extended flow matching and conditional regression. The key observation is that, near the high-SNR image endpoint, recovering a useful noise statistic given by the first-step output of the extended flow matching in the high-SNR regime is much simpler than reconstructing the full inverse trajectory, and Gaussian Shading only requires the recovered latent to remain in the correct watermark decision region. Based on this observation, we propose a lightweight, prompt-free extractor that decomposes endpoint recovery into an image-like anchor and a noise-oriented residual, which increases the capability of the model to utilize GPU parallel computation. The resulting method avoids iterative inversion and repeated evaluation of a diffusion-scale U-Net, providing an efficient one-step extraction pipeline with a concise theoretical interpretation. The computational cost of extracting noise is lower than that of both OSI and FARI. The github repo is there: https://github.com/TheLovesOfLadyPurple/RAIN-lightweight-NN-for-one-step-semantic-watermark-extracti on
- Abstract（参考訳）: 拡散モデルの意味的透かしは、知覚的品質を維持しつつ生成過程に所有権情報を埋め込むが、ガウス・シェーディング抽出は従来、初期ノイズを回復するために多段階の拡散反転を必要とする。
最近の一段階法は、このコストを大幅に削減できることを示している。
本研究では,フローマッチングと条件回帰を用いてこの問題を考察する。
キーとなる観察は、高SNR画像終端付近で、高SNR状態における拡張フローマッチングの第1段階の出力によって与えられる有用なノイズ統計を復元することは、完全な逆軌道を再構築するよりもはるかに簡単であり、ガウスシェーディングは、回復した潜水者が正しい透かし決定領域に留まることのみを要求することである。
そこで本研究では,終端回復をイメージライクなアンカーとノイズ指向残差に分解する軽量なプロンプトフリー抽出器を提案する。
この方法は拡散スケールのU-Netの反復的反転と繰り返し評価を回避し、簡潔な理論的解釈を伴う効率的なワンステップ抽出パイプラインを提供する。
ノイズ抽出の計算コストはOSIとFARIのどちらよりも低い。
https://github.com/TheLovesOfLadyPurple/RAIN-lightweight-NN-for-one-step-semantic-watermark- Extraction
関連論文リスト
- FARI: Robust One-Step Inversion for Watermarking in Diffusion Models [89.29541056113442]
インバージョンベースの透かしは拡散生成画像の認証に有望なアプローチである。
既存のアプローチは内部トランケーションエラーを過度に最適化する。
textbfFARIは、透かし抽出のためのデノイザの軽量対向LoRA微調整と組み合わせたワンステップ逆変換フレームワークである。
論文 参考訳（メタデータ） (2026-07-29T10:13:55Z) - Reconstructing Backpropagation from Forward Fluctuations in Noise-modulated Neural Networks [0.0]
ノイズ変調ニューラルネットワーク(NNN)は、ノイズ処理ノイズの存在下でのみ、外乱ではなく計算資源として学習し、推測する。
フォワードパス統計だけで、バックプロパゲーション自体をNNNで再構築できることが示される。
論文 参考訳（メタデータ） (2026-07-29T05:18:34Z) - Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳（メタデータ） (2026-06-05T14:00:47Z) - OSI: One-step Inversion Excels in Extracting Diffusion Watermarks [56.210696479553945]
ガウスシェーディングスタイルの透かしを抽出する手法であるワンステップインバージョン(OSI)を提案する。
OSIは、透かし抽出を学習可能な記号分類問題として再構成し、初期雑音の正確な回帰を不要にする。
我々のOSIは,20倍高速で,抽出精度が向上し,透かしペイロード容量が2倍になる多段拡散インバージョン法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-10T07:43:16Z) - DeepInv: A Novel Self-supervised Learning Approach for Fast and Accurate Diffusion Inversion [65.5172878666262]
拡散インバージョンは、実行可能な監視信号が欠如しているため、難しい課題である。
本稿では,Deep Inversion(DeepInv)と呼ばれる自己教師付き拡散インバージョン手法を提案する。
DeepInvはまた、パラメータ化インバージョンソルバをトレーニングするための反復的かつマルチスケールのトレーニングシステムも備えている。
論文 参考訳（メタデータ） (2026-01-04T11:27:26Z) - Integrating Reweighted Least Squares with Plug-and-Play Diffusion Priors for Noisy Image Restoration [6.402777145722335]
インパルスノイズを含む一般的なノイズの頑健な除去のための生成拡散先に基づくプラグアンドプレイ画像復元フレームワークを提案する。
評価実験の結果,提案手法は非ガウス的インパルスノイズを効果的に除去し,復元性能が向上することが示された。
論文 参考訳（メタデータ） (2025-11-10T08:11:20Z) - There and Back Again: On the relation between Noise and Image Inversions in Diffusion Models [3.8384683391475556]
拡散モデルは新しいサンプルを生成するが、データを編集可能な機能にエンコードする低次元の潜在空間がない。
インバージョンベースの手法は、デノベーション軌道を逆転させ、画像を近似したスタートノイズに転送することでこの問題に対処する。
その結果,潜伏剤はスムーズな画像領域で予測される低ノイズの形で構造パターンを示すことがわかった。
論文 参考訳（メタデータ） (2024-10-31T00:30:35Z) - Image Restoration by Denoising Diffusion Models with Iteratively Preconditioned Guidance [9.975341265604577]
深層ニューラルネットワークのトレーニングは、画像復元問題に対処するための一般的なアプローチとなっている。
低ノイズ環境では、バックプロジェクション(BP)に基づくガイダンスが有望な戦略であることが示されている。
本稿では,BPベースのガイダンスから少なくとも2乗のガイダンスへのトラバースを可能にする,事前条件に基づく新しいガイダンス手法を提案する。
論文 参考訳（メタデータ） (2023-12-27T10:57:03Z) - Iterative Token Evaluation and Refinement for Real-World
Super-Resolution [77.74289677520508]
実世界の画像超解像(RWSR)は、低品質(LQ)画像が複雑で未同定の劣化を起こすため、長年にわたる問題である。
本稿では,RWSRのための反復的トークン評価・リファインメントフレームワークを提案する。
ITERはGAN(Generative Adversarial Networks)よりも訓練が容易であり,連続拡散モデルよりも効率的であることを示す。
論文 参考訳（メタデータ） (2023-12-09T17:07:32Z) - Resfusion: Denoising Diffusion Probabilistic Models for Image Restoration Based on Prior Residual Noise [34.65659277870287]
微分拡散モデルの研究は、画像復元の分野への応用を拡大した。
本稿では,残余項を拡散前進過程に組み込むフレームワークであるResfusionを提案する。
Resfusionは, ISTDデータセット, LOLデータセット, Raindropデータセットに対して, わずか5つのサンプリングステップで競合性能を示すことを示す。
論文 参考訳（メタデータ） (2023-11-25T02:09:38Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳（メタデータ） (2021-07-02T11:55:40Z)
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。