論文の概要: SPIN: Image Immunization Against Diffusion Editing via Single-Step Projection in Stochastic Neighborhoods

• arxiv url: http://arxiv.org/abs/2610.06334v1
• Date: Mon, 05 Oct 2026 13:41:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 09:05:53.506965
• Title: SPIN: Image Immunization Against Diffusion Editing via Single-Step Projection in Stochastic Neighborhoods
• Title（参考訳）: SPIN:確率的地区における単段投影による拡散編集に対する画像免疫
• Abstract要約: 画像免疫は、後続の編集を妨害するために入力画像に知覚不能な摂動を加えることでリスクに対処する。 textscSPINは局所軌道近傍への一段階投影による画像免疫のためのフレームワークである。 2つの画像エディタの実験では、保護性能が大幅に向上した。
• 参考スコア（独自算出の注目度）: 65.78461482536707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have greatly advanced instruction-guided image editing, while also raising concerns about unauthorized image manipulation. Image immunization addresses this risk by adding imperceptible perturbations to an input image to disrupt subsequent edits. Since editing requests are unknown at image release, protection should remain effective beyond the instruction used to construct the perturbation. Existing immunization methods either require costly full-trajectory backpropagation or use intermediate objectives whose effects may be weakened by subsequent denoising. Meanwhile, a single inference path provides limited feedback about alternative denoising continuations. To address these challenges, we propose \textsc{SPIN}, a framework for image immunization via one-step projection over local stochastic trajectory neighborhoods. Starting from an early denoising state, \textsc{SPIN} generates stochastic neighboring states under the same instruction and predicts their clean latents through one-step projection without full unrolling. We then optimize a bounded input perturbation to maximize the average deviation of these predictions from a clean-edit reference, encouraging the perturbation to disrupt multiple possible editing outcomes. Experiments on two image editors demonstrate substantial gains in protection performance, with \textsc{SPIN} outperforming compared methods across all six metrics under seen instructions and in the more challenging unseen instruction setting.
• Abstract（参考訳）: 拡散モデルには命令誘導画像編集が大幅に進歩し、未承認の画像操作に対する懸念も高まっている。 画像免疫は、後続の編集を妨害するために入力画像に知覚できない摂動を加えることで、このリスクに対処する。 画像リリース時の編集要求は未知であるため、摂動を構成するために使用する命令以外の保護も有効である。 既存の免疫法では、コストのかかる全軌道のバックプロパゲーションを必要とするか、あるいは、その後の認知によって効果が弱まる可能性のある中間目標を使用するかのどちらかである。 一方、単一の推論パスは、オルタナティブな推論継続に関する限定的なフィードバックを提供する。 これらの課題に対処するために,局所確率軌道近傍への一段階投影による画像免疫のためのフレームワークであるtextsc{SPIN}を提案する。 初期復調状態から始めると、 \textsc{SPIN} は同じ命令の下で確率的な隣接状態を生成し、完全なアンロールをせずに一段階のプロジェクションによってクリーンな潜伏状態を予測する。 次に、有界な入力摂動を最適化し、これらの予測のクリーンエジット参照から平均偏差を最大化し、その摂動が複数の可能な編集結果を妨害することを奨励する。 2つのイメージエディタの実験では、保護性能が大幅に向上し、‘textsc{SPIN}’は、表示中の6つのメトリクスと、より困難な未確認の命令設定において、比較メソッドよりも優れていた。

関連論文リスト

• DuET: Dual Expert Trajectories for Diffusion Image Editing [42.49842620609682]
  我々は、ソースイメージの条件付けを一時的に緩和する訓練不要推論手法であるDuETを紹介する。 DuETは命令の関連性、セマンティックな忠実さ、そして様々なモデルやベンチマークにおける知覚品質を継続的に改善する。
  論文  参考訳（メタデータ） (2026-06-11T12:58:48Z)
• Towards Transferable Defense Against Malicious Image Edits [70.17363183107604]
  Transferable Defense Against Malicious Image Edits (TDAE)は、悪意のある編集に対するイメージ免疫を強化する新しいバイモーダルフレームワークである。 本稿では,FlatGrad Defense Mechanism (FDM) を紹介した。 テキストエンハンスメント保護のための動的プロンプトディフェンス (DPD) を提案し, テキスト埋め込みを周期的に洗練し, 免疫画像の編集結果を元の画像と整合させる。
  論文  参考訳（メタデータ） (2025-12-16T12:10:16Z)
• Dual Attention Guided Defense Against Malicious Edits [70.17363183107604]
  本稿では,DANP(Dual Attention-Guided Noise Perturbation)免疫法を提案する。 本手法は,悪意ある編集に対する印象的な免疫力を示し,その手法が最先端の性能を達成することを実証した。
  論文  参考訳（メタデータ） (2025-12-16T12:01:28Z)
• Semantic Mismatch and Perceptual Degradation: A New Perspective on Image Editing Immunity [79.10998560865444]
  我々は、予防接種の成功は、プロンプトを意味的にミスマッチさせたり、実質的な知覚的劣化に苦しんだりして、編集されたアウトプットによって定義されるべきであると論じる。 免疫成功率(Immunization Success Rate,ISR)は,免疫成功率(Immunization Success Rate,ISR)を初めて厳密に定量化するために設計された新しい指標である。
  論文  参考訳（メタデータ） (2025-12-16T11:34:48Z)
• 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)
• Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
  MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。 中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。 大規模な実験ではPPADの大幅な改善が示されている。
  論文  参考訳（メタデータ） (2025-05-26T14:42:35Z)
• InpDiffusion: Image Inpainting Localization via Conditional Diffusion Models [10.213390634031049]
  現在のIIL法は2つの大きな課題に直面している。 拡散モデルを用いた条件付きマスク生成タスクとしてIILを扱う新しいパラダイムを提案する。 我々の手法であるInpDiffusionは、画像意味条件の統合によって強化された復調過程を利用して、予測を段階的に洗練する。
  論文  参考訳（メタデータ） (2025-01-06T07:32:12Z)

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。