論文の概要: SpectralCanary: Embarrassingly Simple Low-Frequency Traces for T2I Dataset-Use Auditing
- arxiv url: http://arxiv.org/abs/2610.31659v1
- Date: Thu, 22 Oct 2026 17:59:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.51434
- Title: SpectralCanary: Embarrassingly Simple Low-Frequency Traces for T2I Dataset-Use Auditing
- Title（参考訳）: SpectralCanary: T2Iデータセット利用監査のための恥ずかしいほど単純な低周波トレース
- Abstract要約: テキスト・トゥ・イメージ(T2I)モデルが特定の画像コレクションに微調整されているかどうかを確認することは困難である。
これはスムーズなローパスマスクを使用して、固定されたカナリアイメージをすべてのコレクションイメージにブレンドするものだ。
軽量検証器は、疑似モデル出力における転送信号を検出する。
- 参考スコア（独自算出の注目度）: 39.69179424292325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Auditing whether a text-to-image (T2I) model was fine-tuned on a particular image collection is difficult: a model can absorb collection-level visual characteristics without reproducing training images. Proactive dataset-use auditing plants a shared signal in a dataset before release, then later checks whether that signal appears in a suspect model's generated outputs. Existing approaches often trade off verifiability, fidelity, robustness, and deployability. We introduce $\textbf{SpectralCanary}$, which uses a smooth low-pass mask to blend a fixed canary image into every collection image while leaving captions unchanged and requiring neither auxiliary generation nor per-image optimization. A lightweight verifier detects the transferred signal in suspect-model outputs. Across eight tests on the Pokemon dataset and three realistic data transformations, spanning two architectures families, SpectralCanary achieves the highest average per-generation TPR@$1\%$ FPR ($91.1\%$) and fixed threshold model-level accuracy using 30 generations ($94.8\%$) among the evaluated methods. Across five datasets spanning artistic, medical, satellite, and fashion domains with SD3.5, SpectralCanary averages $92.4\%$ per-generation TPR@$1\%$ FPR while preserving the released images (SSIM $0.989$, LPIPS $0.022$) with a near-zero mean change FID (mean $Δ$FID $0.05$) across datasets. Matched-energy ablations on Pokemon and ROCOv2 support our design choice, low-frequency placement transfers more reliably compared to mid/high-frequency placement. Under the evaluated adaptive attacks, the most effective removal requires aggressive modification and incurs more than $25$ $Δ$FID points. These results identify low-frequency visual signals as effective carriers for collection-level T2I audit traces.
- Abstract（参考訳）: テキスト・トゥ・イメージ(T2I)モデルが特定の画像コレクションに微調整されているかどうかの確認は困難である。
プロアクティブなデータセット使用監査は、リリース前にデータセットに共有信号を配置し、その後、疑似モデルの生成された出力にその信号が現れるかどうかをチェックする。
既存のアプローチでは、検証可能性、忠実性、堅牢性、デプロイ可能性のトレードオフがしばしばある。
これは、スムーズなローパスマスクを使用して、固定されたカナリアイメージをすべてのコレクションイメージにブレンドし、キャプションは変更せず、補助生成も画像毎の最適化も不要である。
軽量検証器は、疑似モデル出力における転送信号を検出する。
Pokemonデータセットの8つのテストと、2つのアーキテクチャファミリにまたがる3つの現実的なデータ変換のうち、SpectralCanaryは、評価された方法のうち、平均1世代当たりの平均TPR@$1\%$FPR(91.1\%$)と、30世代(94.8\%$)を使用した固定しきい値モデルレベルの精度を達成している。
SD3.5の芸術的、医学的、衛星的、ファッション的な領域にまたがる5つのデータセットの中で、SpectralCanaryの平均は、世代毎のTPR@$1\%$FPRで92.4\%、解放された画像(SSIM $0.989$、LPIPS $0.022$)はデータセット間でほぼゼロの平均的な変化FID(平均$Δ$FID $0.05$)である。
PokemonとROCOv2の整合エネルギーは我々の設計選択を支持し、低周波配置転送は中高周波配置よりも信頼性が高い。
評価された適応攻撃では、最も効果的な除去は攻撃的な修正を必要とし、25ドル以上の$Δ$FIDポイントを発生させる。
これらの結果から,低周波視覚信号はコレクションレベルのT2I監査トレースに有効なキャリアであることがわかった。
関連論文リスト
- $γ$-Bridge: A Look-Parametric Diffusion Bridge [1.6583003147024213]
多重ガンマノイズはコヒーレントイメージングにおける信号依存性の劣化である。
我々は、$L(t)$のスケジュールを持つルックパラメトリックブリッジである$-Bridgeを紹介し、$L_obs$のノイズ観測を正確な乗法的ガンマ限界を通してクリーン限界に接続する。
論文 参考訳（メタデータ） (2026-07-21T18:45:58Z) - A3-TTA: Adaptive Anchor Alignment Test-Time Adaptation for Image Segmentation [17.122762119608144]
テスト時間適応(TTA)は、ドメインシフト下でイメージセグメンテーションモデルをデプロイするための実用的なソリューションを提供する。
我々は,アンカーガイドによる監視を通じて信頼性の高い擬似ラベルを構築するフレームワークである textbfA3-TTA を提案する。
A3-TTAはソースモデルと比較して平均Diceスコアを10.40から17.68ポイント改善する。
論文 参考訳（メタデータ） (2026-02-03T09:18:11Z) - Practical Manipulation Model for Robust Deepfake Detection [55.2480439325792]
画像超解像領域において,より現実的な劣化モデルを構築した。
擬似フェイクの空間を、ポアソンブレンディング、より多様なマスク、ジェネレータアーティファクト、およびイントラクタを用いて拡張する。
DFDCデータセットとDFDCPデータセットでは、それぞれ3.51%$と6.21%$AUCが明らかに増加した。
論文 参考訳（メタデータ） (2025-06-05T15:06:16Z) - NOFT: Test-Time Noise Finetune via Information Bottleneck for Highly Correlated Asset Creation [70.96827354717459]
拡散モデルは、テキスト・ツー・イメージ(T2I)と画像・ツー・イメージ(I2I)を生成する強力なツールを提供する。
本研究では,高相関・多彩な画像を生成するため,安定拡散を用いたノイズファインチューンNOFTモジュールを提案する。
論文 参考訳（メタデータ） (2025-05-18T05:09:47Z) - Calibrated Diverse Ensemble Entropy Minimization for Robust Test-Time Adaptation in Prostate Cancer Detection [4.123522672804104]
高分解能マイクロ超音波は、リアルタイム前立腺がん検出において有望であることを示す。
深層学習は、超音波に反映された複雑な組織特性を学習するための顕著なツールである。
データ分布の変化により,異なる臨床センターのデータに適用した場合,モデルの性能が低下することを示す。
論文 参考訳（メタデータ） (2024-07-17T16:20:10Z) - Train/Test-Time Adaptation with Retrieval [129.8579208970529]
Train/Test-Time Adaptation with Retrieval(rm T3AR$)を紹介します。
$rm T3AR$は、洗練された擬似ラベルと自己教師付きコントラスト目的関数を使用して、所定のモデルを下流タスクに適合させる。
検索モジュールのおかげで、ユーザまたはサービスプロバイダは、下流タスクのモデル適応を改善することができる。
論文 参考訳（メタデータ） (2023-03-25T02:44:57Z) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳（メタデータ） (2023-03-20T16:28:15Z) - Is your noise correction noisy? PLS: Robustness to label noise with two
stage detection [16.65296285599679]
本報告では, ノイズが検出された場合に, ノイズの補正精度を向上させることを提案する。
多くの最先端コントリビューションでは、修正された擬似ラベルを推測する前にノイズサンプルを検出する2段階のアプローチが採用されている。
ノイズサンプルの擬似ラベルの正しさと強く相関する単純な測度である擬似ロスを提案する。
論文 参考訳（メタデータ） (2022-10-10T11:32:28Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z) - A Novel Inspection System For Variable Data Printing Using Deep Learning [0.9176056742068814]
超低偽アラームレート(0.005%)で可変データプリント(VDP)を検査するための新しい手法を提案する。
このシステムは、参照画像と低コストスキャナーによってキャプチャされた画像の2つの画像の比較に基づいている。
論文 参考訳（メタデータ） (2020-01-13T15:07:13Z)
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。