論文の概要: RAPID: A Real-Time Defense Against Unauthorized Model Distillation for Text-to-Image Services
- arxiv url: http://arxiv.org/abs/2609.15799v1
- Date: Mon, 14 Sep 2026 16:11:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.492085
- Title: RAPID: A Real-Time Defense Against Unauthorized Model Distillation for Text-to-Image Services
- Title（参考訳）: RAPID: テキスト・ツー・イメージ・サービスのための無認可モデル蒸留に対するリアルタイム防御
- Abstract要約: テキスト・トゥ・イメージ(T2I)モデルはブラックボックス出力に基づく蒸留に弱い。
本稿では,無認可蒸留からT2Iモデルを保護するための枠組みを提案する。
本研究は,T2Iシステムにおける無認可蒸留に対するリアルタイム保護のパラダイムを確立する。
- 参考スコア（独自算出の注目度）: 39.83859782992819
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion-based text-to-image (T2I) models are increasingly used for visual content creation, making their generation capability a valuable intellectual property asset. However, this capability is vulnerable to black-box output-based distillation, where an adversary queries the service, collects prompt-image pairs, and trains an unauthorized substitute model that mimics its generation behavior. Existing perturbation-based defenses apply sample-wise optimization to make generated images disruptive to unauthorized training, but introduce substantial computation and latency that reduce the usability of online T2I services. A natural solution is to integrate defensive perturbations into the VAE decoder, allowing the protected model to generate defended images directly without online sample-wise optimization. However, existing sample-wise objectives struggle to transfer to the shared decoder setting. We empirically find that a defensive shared decoder induces a substantially smaller latent shift than sample-wise optimization, suggesting that objective reachability matters more than destructiveness in this setting. To overcome this limitation, we propose RAPID, a self-referenced latent maximization framework that removes external dependencies and encourages the same model update to induce consistently disruptive effects across training samples, thereby improving reachability. We further introduce reconstruction-guided color regularization that blocks the latent shortcut and reinforces visual disruption. Extensive experiments on four T2I models and four datasets, with comparisons against five representative baselines, show that RAPID consistently degrades substitute-model generation quality while preserving service visual fidelity. Our work establishes a paradigm for real-time protection against unauthorized distillation in deployed T2I systems.
- Abstract（参考訳）: 拡散ベースのテキスト・ツー・イメージ(T2I)モデルは、視覚コンテンツ作成にますます使われており、その生成能力は貴重な知的財産資産となっている。
しかし、この能力はブラックボックス出力に基づく蒸留に弱いため、相手がサービスをクエリし、プロンプトイメージのペアを収集し、生成動作を模倣する権限のない代替モデルを訓練する。
既存の摂動に基づく防御は、生成した画像を無許可のトレーニングに破壊的にするためにサンプルワイズ最適化を適用するが、オンラインT2Iサービスのユーザビリティを低下させる相当な計算と遅延を導入する。
自然な解決策は、防御的摂動をVAEデコーダに統合することで、オンラインサンプルワイド最適化なしで保護されたモデルが直接防御された画像を生成することができる。
しかし、既存のサンプルワイドの目的は共有デコーダ設定への転送に苦労する。
防御共有復号器は標本最適化よりもかなり小さな潜伏シフトを誘導し, 目標到達性は破壊性以上のものとなることを実証的に示唆した。
この制限を克服するために、外部依存を排除し、同じモデル更新を奨励し、トレーニングサンプル間で一貫した破壊的な効果を誘導し、到達性を向上させる自己参照遅延最大化フレームワークであるRAPIDを提案する。
さらに,遅延ショートカットをブロックし,視覚的破壊を補強するリコンストラクション誘導色正規化を導入する。
4つのT2Iモデルと4つのデータセットに対する大規模な実験は、5つの代表的なベースラインと比較し、RAPIDがサービスの視覚的忠実性を保ちながら、代替モデル生成の品質を一貫して低下させることを示した。
本研究は,T2Iシステムにおける無認可蒸留に対するリアルタイム保護のパラダイムを確立する。
関連論文リスト
- DiSCO: Defending text-to-image generation through distribution-guided contrastive prompt optimization [65.89030524420933]
DiSCOはゼロショットで厳密にブラックボックスのディフェンスで、プラグイン・アンド・プレイモジュールとしてプロンプトレベルで完全に動作する。
我々は,DiSCOが無防備モデルと防御モデルの両方の安全性を継続的に向上することを示した。
ブラックボックスでアーキテクチャに依存しないモジュールとして、DiSCOはどんなテキスト・ツー・イメージ・システムにも容易に適用できる。
論文 参考訳（メタデータ） (2026-08-17T19:13:55Z) - I2VShield: An Efficient Proactive Defense Framework against DiT-based Image-to-Video Models [4.606986864282809]
ビデオ生成モデルは、イメージ・ツー・ビデオ(I2V)モデルの誤用の増加につながっている。
現在のI2Vモデルに対する積極的な防御は、主に勾配に基づく敵攻撃に依存している。
I2Vモデルに適した生成的敵攻撃に基づくプライバシ保護手法であるI2VShieldを提案する。
論文 参考訳（メタデータ） (2026-07-28T10:05:11Z) - Dual Adversarial Fine-tuning for Enhancing Robustness of Large Vision Language Model [73.59026525350808]
2つのモードからの視覚的および意味的な監視信号を協調的に最適化する二重対向微調整フレームワークを提案する。
本手法は, ゼロショット分類, 画像キャプション, 視覚的質問応答タスクにおいて, 対向ロバスト性評価における最先端手法よりも優れている。
論文 参考訳（メタデータ） (2026-07-21T10:49:29Z) - Bypassing Copyright Protection in Diffusion-based Customization via Two-Stage Latent Feature Optimization [51.33055188976282]
敵対的攻撃は 個人化された画像生成において 悪意のあるコンテンツの偽造を防ぐ 防衛戦略として浮上した
本稿では,2段階遅延特徴最適化 (TS-LFO) を導入する。
広範な実験により、TS-LFOは、最先端のSOTA著作権防衛を一貫して回避し、DiffPure、GrIDPure、IMPRESSなどのSOTA著作権攻撃より優れていることが示されている。
論文 参考訳（メタデータ） (2026-06-06T07:59:08Z) - Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。
LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-29T19:34:39Z) - Perturb a Model, Not an Image: Towards Robust Privacy Protection via Anti-Personalized Diffusion Models [32.903448192224644]
拡散モデルの最近の進歩は、アイデンティティやオブジェクトのような特定の主題の高品質な合成を可能にしている。
パーソナライズ技術は、悪意のあるユーザーによって不正なコンテンツを生成するために誤用されることがある。
生成品質を損なうことなく、対象モデルの個人化を効果的に阻害する新規な損失関数であるダイレクトプロテッシブ最適化(DPO)を導入する。
論文 参考訳（メタデータ） (2025-11-03T07:42:05Z) - Latent Diffusion Unlearning: Protecting Against Unauthorized Personalization Through Trajectory Shifted Perturbations [18.024767641200064]
本稿では,拡散モデルの潜在空間内で機能するモデルベース摂動戦略を提案する。
本手法は,拡散モデルにおいて,デノナイジング軌道の開始点を変更しながら,デノナイジングとインバージョンを交互に行う。
我々は4つのベンチマークデータセットにアプローチを検証し、最先端の逆攻撃に対する堅牢性を実証する。
論文 参考訳（メタデータ） (2025-10-03T15:18:45Z) - MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。
既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。
OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
論文 参考訳（メタデータ） (2025-06-03T01:37:09Z) - Enhancing Variational Autoencoders with Smooth Robust Latent Encoding [54.74721202894622]
変分オートエンコーダ(VAE)は拡散に基づく生成モデルをスケールアップする上で重要な役割を果たしている。
Smooth Robust Latent VAEは、世代品質とロバスト性の両方を向上する、新しい対向トレーニングフレームワークである。
実験により、SRL-VAEは、Nightshade攻撃や画像編集攻撃に対して、画像再構成とテキスト誘導画像編集において、生成品質とロバスト性の両方を改善することが示された。
論文 参考訳（メタデータ） (2025-04-24T03:17:57Z) - Direct Unlearning Optimization for Robust and Safe Text-to-Image Models [29.866192834825572]
モデルが潜在的に有害なコンテンツを生成する能力を取り除くために、未学習の技術が開発されている。
これらの手法は敵の攻撃によって容易に回避され、生成した画像の安全性を確保するには信頼性が低い。
T2IモデルからNot Safe For Work(NSFW)コンテンツを除去するための新しいフレームワークであるDirect Unlearning Optimization (DUO)を提案する。
論文 参考訳（メタデータ） (2024-07-17T08:19:11Z)
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。