論文の概要: Copying As Defense: Protecting Images from Editing By Eliciting Model Copying

• arxiv url: http://arxiv.org/abs/2610.35566v1
• Date: Mon, 26 Oct 2026 15:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.045518
• Title: Copying As Defense: Protecting Images from Editing By Eliciting Model Copying
• Title（参考訳）: コピー・アズ・ディフェンス:モデルコピーの除去による画像の編集から保護
• Abstract要約: 本稿では,初期変圧器ブロックにおける目標対参照注目質量を最大化するCopying-as-Defense(CaD)を提案する。 CaDは、非保護画像の平均編集成功率を81.4%から24.0%、70.6%に下げ、DeContextと比較して44.3%に下げている。
• 参考スコア（独自算出の注目度）: 45.32879118146476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image editors built on diffusion transformers (DiTs), such as Flux Kontext, make it possible to turn a single photograph into a convincing manipulated image, including harmful and non-consensual edits. Proactive defenses aim to prevent such manipulations by adding an imperceptible perturbation before an image is shared. Existing defenses for DiT-based in-context editors make the output attend less to the protected reference image. But this leaves the model free to follow the edit instruction using the text and its own generated tokens, often producing a new, weakly grounded image rather than preventing the edit. We find that the opposite strategy is more effective: instead of leading the model to ignore the reference, we encourage it to copy it. Through controlled attention interventions, we show that concentrating target-token attention on the reference image in only a few early blocks is sufficient to collapse the editing behavior, causing the model to reproduce its input, often as a lossy copy, rather than execute the requested transformation. Based on this insight, we introduce Copying-as-Defense (CaD), which maximizes per-token target-to-reference attention mass in early transformer blocks. Since attention rows are normalized, increasing reference attention suppresses the attention allocated to the text and generated canvas. Restricting the objective to early blocks also lets us truncate the backpropagation path, keeping optimization cheap. Across editors and benchmarks, CaD reduces average edit success from 81.4% on unprotected images to 24.0%, a 70.6% relative reduction, and by a further 44.3% relative to DeContext, the strongest baseline (43.0%). CaD is also roughly 1.8-2.0x faster per optimization step than comparable methods.
• Abstract（参考訳）: Flux Kontext(英語版)のような拡散変換器(DiT)上に構築された画像エディタは、1枚の写真を有害で非合意的な編集を含む説得力のある操作された画像に変換することができる。 アクティブディフェンスは、画像が共有される前に知覚不能な摂動を追加することによって、そのような操作を防止することを目的としている。 既存のDiTベースのインコンテキストエディタのディフェンスにより、出力は保護された参照画像に近づきにくくなる。 しかし、これはモデルがテキストとそれ自身で生成されたトークンを使って編集命令に従うことを自由にし、しばしば編集を阻止する代わりに、新しく弱められた画像を生成する。 モデルに参照を無視するように導く代わりに、コピーすることを推奨します。 制御された注意介入により、参照画像に少数の初期ブロックで集中的な注意を集中させることで、編集動作が崩壊し、要求された変換を実行するのではなく、しばしば損失の少ないコピーとして、その入力を再現できることを示す。 この知見に基づき、初期変圧器ブロックにおける目標対参照注目質量を最大化するCopying-as-Defense(CaD)を導入する。 注意列は正規化されているため、参照注意の増加はテキストと生成されたキャンバスに割り当てられた注意を抑制する。 目的を早期ブロックに制限することで、バックプロパゲーションパスを切断し、最適化を安価に保ちます。 エディターとベンチマーク全体で、CaDは非保護画像の平均編集成功率は81.4%から24.0%に減少し、70.6%が相対的に減少し、DeContextと比較して44.3%が最強のベースライン(43.0%)となった。 CaDはまた、同等のメソッドよりも最適化ステップあたり1.8-2.0倍高速である。

関連論文リスト

• NullEdit: Stealthy Image Protection via VLM Condition Redirection [7.002777588351422]
  現代の画像エディタは、視覚言語モデルと拡散トランスフォーマーのバックボーンを組み合わせて、微調整なしで指示に従って単一の参照イメージを変更する。 本稿では,参照画像から生成したVLM表現を目標としたNullEditを提案する。 NullEdit は EditReward IF スコアを SOTA ベースラインに対して平均 0.813 削減する。
  論文  参考訳（メタデータ） (2026-08-11T12:46:09Z)
• MIRAGE: Protecting against Malicious Image Editing via False Moderation [73.0838743416626]
  画像免疫に関する以前の研究は、許可されていない操作から保護するために、イメージに知覚できない摂動を追加する。 我々は,この問題をシステムレベルで把握し,すべての主要な商用画像編集システムに共通する未探索の攻撃面を特定する。 本稿では、これらのモデレーションをポリシー違反としてフラグ付けさせ、編集プロンプトによらず自動的な拒絶を引き起こすことにより、イメージを免疫することを提案する。
  論文  参考訳（メタデータ） (2026-06-24T16:23:10Z)
• DeContext as Defense: Safe Image Editing in Diffusion Transformers [38.75847400495247]
  非許可のインコンテキスト編集から入力画像を保護する新しい方法であるDeContextを提案する。 我々の重要な洞察は、ソース画像からのコンテキスト情報は、主にマルチモーダルアテンション層を通して出力に伝播するということである。 Flux KontextとStep1X-Editの実験は、DeContextが不必要な画像編集を一貫してブロックしていることを示している。
  論文  参考訳（メタデータ） (2025-12-18T15:01:44Z)
• EditInfinity: Image Editing with Binary-Quantized Generative Models [64.05135380710749]
  画像編集のためのバイナリ量子化生成モデルのパラメータ効率適応について検討する。 具体的には、画像編集のためのバイナリ量子化生成モデルであるEmphInfinityを適応させるEditInfinityを提案する。 テキストの修正と画像スタイルの保存を促進させる,効率的かつ効果的な画像反転機構を提案する。
  論文  参考訳（メタデータ） (2025-10-23T05:06:24Z)
• TweezeEdit: Consistent and Efficient Image Editing with Path Regularization [6.248205481752008]
  我々は、一貫性と効率的な画像編集のためのチューニング不要かつ逆変換のないフレームワークであるTweezeEditを提案する。 本手法は, 逆アンカーのみに依存するのではなく, denoising path全体を正規化することで, これらの制約に対処する。 実験では、TweezeEditのセマンティックな保存とターゲットアライメントにおける優れたパフォーマンスを示し、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-08-14T09:59:45Z)
• Forgedit: Text Guided Image Editing via Learning and Forgetting [17.26772361532044]
  我々は Forgedit という新しいテキスト誘導画像編集手法を設計する。 まず,30秒で元の画像を再構成できる視覚言語共同最適化フレームワークを提案する。 次に,拡散モデルのテキスト埋め込み空間におけるベクトル投影機構を提案する。
  論文  参考訳（メタデータ） (2023-09-19T12:05:26Z)

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。