論文の概要: CLaW: Codec-Guided Adaptive Latent Watermarking for Traceable Diffusion Image Generation

• arxiv url: http://arxiv.org/abs/2610.39160v1
• Date: Thu, 29 Oct 2026 01:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 07:39:41.019608
• Title: CLaW: Codec-Guided Adaptive Latent Watermarking for Traceable Diffusion Image Generation
• Title（参考訳）: CLaW: Codec-Guided Adaptive Latent Watermarking for Traceable Diffusion Image Generation
• Abstract要約: 凍結拡散バックボーンを用いたトレーサブル拡散画像生成のためのCLaW(Codec-guided Latent Watermarking)を提案する。 CLaWはまず、トレーニング済みの透かしを使用して、各透かしメッセージを遅延残差にマッピングし、低コストのサンプリングタイムインジェクションを可能にする。 残余は遅延復調ウィンドウ内で注入され、画像のセマンティクスはより保存され、透かし信号はその後の復調更新によって摂動されなくなる。
• 参考スコア（独自算出の注目度）: 48.69373802343802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid advancement of text-to-image diffusion models, increasingly realistic AI-generated content has raised serious concerns about misuse and copyright infringement. Digital watermarking offers a promising solution by enabling user-level traceability, yet existing methods remain difficult to deploy at scale, hindered by costly model retraining or detection, poor effectiveness-fidelity trade-offs, and limited robustness to image transformations. To address these challenges, we propose CLaW (Codec-guided Latent Watermarking), a robust and efficient watermarking framework for traceable diffusion image generation with frozen diffusion backbones and inversion-free detection. Specifically, CLaW first uses a pretrained watermark codec to map each watermark message to a latent residual, enabling low-cost sampling-time injection. Then, the residual is injected within a late denoising window, where image semantics are better preserved and the watermark signal is less perturbed by subsequent denoising updates, yielding a better balance between watermark effectiveness and image fidelity. Furthermore, we introduce a decoder-guided adaptive injection mechanism that uses decoding confidence as feedback to dynamically calibrate watermark strength, reinforcing weak watermark signals and improving robustness under image transformations. Extensive experiments show that CLaW preserves high visual fidelity and achieves state-of-the-art robustness under image transformations, enabling reliable user-level traceability.
• Abstract（参考訳）: テキストから画像への拡散モデルの急速な進歩により、より現実的なAI生成コンテンツは、誤用や著作権侵害に対して深刻な懸念を抱いている。 デジタル透かしは、ユーザレベルのトレーサビリティを有効にすることで、有望なソリューションを提供するが、既存の方法は、コストのかかるモデルの再トレーニングや検出、有効性と忠実性のトレードオフの欠如、画像変換に対するロバスト性の制限によって、大規模にデプロイすることが難しいままである。 これらの課題に対処するために、凍結拡散バックボーンと逆フリー検出を備えたトレーサブル拡散画像生成のための堅牢で効率的な透かしフレームワークであるCLaW(Codec-Guided Latent Watermarking)を提案する。 具体的には、CLaWはまずトレーニング済みの透かしコーデックを使用して、各透かしメッセージを遅延残差にマッピングし、低コストのサンプリングタイムインジェクションを可能にする。 次に、残余は遅延復調ウィンドウ内に注入され、画像意味がより保存され、その後の復調更新によって透かし信号が乱れにくくなり、透かし効果と画像忠実度とのバランスが良くなる。 さらに,復号化信頼度をフィードバックとして利用して透かし強度を動的に校正し,弱透かし信号の強化と画像変換時の堅牢性の向上を図るデコーダ誘導適応注入機構を導入する。 広汎な実験により、CLaWは高い視覚的忠実性を保ち、画像変換の下で最先端の堅牢性を達成し、信頼性の高いユーザレベルのトレーサビリティを実現する。

関連論文リスト

• Diffusion-Based Image Editing: An Unforeseen Adversary to Robust Invisible Watermarks [4.138397555991069]
  強力な拡散ベースの画像生成と編集モデルは、埋め込みの透かしを不注意に取り除いたり歪んだりすることができる。 本稿では,拡散に基づく画像編集が,最先端のロバストな透かしを効果的に破壊できることを示す理論的,実証的な分析を行う。 画像から透かしを消去するために生成画像再生を用いた拡散誘導攻撃を提案する。
  論文  参考訳（メタデータ） (2025-11-05T16:20:29Z)
• Diffusion-Based Image Editing for Breaking Robust Watermarks [4.273350357872755]
  強力な拡散ベースの画像生成と編集技術は、堅牢なウォーターマーキングスキームに新たな脅威をもたらす。 拡散駆動型画像再生プロセスでは,画像内容の保存中に埋め込み透かしを消去できることを示す。 生成中の透かし信号に特異的な誘導拡散攻撃を導入し,透かし検出性を著しく低下させた。
  論文  参考訳（メタデータ） (2025-10-07T14:34:42Z)
• StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models [55.05404953041403]
  拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。 画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-22T16:35:19Z)
• OptMark: Robust Multi-bit Diffusion Watermarking via Inference Time Optimization [66.69924980864053]
  拡散復調過程の中間潜水器に頑健なマルチビット透かしを埋め込む最適化手法である OptMark を提案する。 OptMarkは、生成攻撃に対して早期に構造的な透かしを挿入し、画像変換に耐えるために遅れて詳細な透かしを挿入する。 実験結果から,OptMarkは有意変換,幾何変換,編集,再生攻撃に対する堅牢なレジリエンスを確保しつつ,目に見えないマルチビット透かしを実現することが示された。
  論文  参考訳（メタデータ） (2025-08-29T15:50:59Z)
• TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity [76.98973481600002]
  本稿では,TAG-WMと命名されたタンパ認識画像ウォーターマーキング手法を提案する。 提案手法は、4つのキーモジュールからなる: 生成品質を保ちつつ、著作権と局所化の透かしを潜伏空間に埋め込むためのデュアルマークジョイントサンプリング (DMJS) アルゴリズム。 実験結果から,TAG-WMは歪み下においても,改質性および局所化能力の両面において最先端性能を達成できることが示された。
  論文  参考訳（メタデータ） (2025-06-30T03:14:07Z)
• GenPTW: In-Generation Image Watermarking for Provenance Tracing and Tamper Localization [32.843425702098116]
  GenPTWは潜在拡散モデル(LDM)のためのインジェネレーション画像透かしフレームワークである 画像生成フェーズ中に構造化された透かし信号を埋め込んで、統一されたプロファイランストレースとタンパーローカライゼーションを可能にする。 実験により、GenPTWは画像の忠実度、透かし抽出精度、改ざん性能において既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-28T08:21:39Z)
• WaterFlow: Learning Fast & Robust Watermarks using Stable Diffusion [46.10882190865747]
  WaterFlowは、学習した潜伏依存の透かしに基づいて、高忠実度視覚透かしのための高速かつ極めて堅牢なアプローチである。 WaterFlowは、一般的な堅牢性に対して最先端のパフォーマンスを示し、難しい組み合わせ攻撃に対して効果的に防御できる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-15T23:27:52Z)

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。