論文の概要: PP-Mark: Provable and Publicly Verifiable Watermarking for Generative AI
- arxiv url: http://arxiv.org/abs/2610.41170v1
- Date: Fri, 30 Oct 2026 02:47:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.596438
- Title: PP-Mark: Provable and Publicly Verifiable Watermarking for Generative AI
- Title（参考訳）: PP-Mark: ジェネレーティブAIのための予測可能かつパブリックに検証可能な透かし
- Abstract要約: PP-Markは、埋め込み過程のゼロ知識証明に軽量な統計的検出を固定する証明フレームワークである。
我々は,ブラックボックスのインプリント偽造,ホワイトボックスの最適化,再生攻撃に対する抵抗性を実証するが,分散検証には実用的である。
- 参考スコア（独自算出の注目度）: 3.809925941947164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative AI models now produce images indistinguishable from real data, making publicly verifiable provenance essential; however, existing watermarking methods become vulnerable to forgeries and adversarial optimization attacks once their detectors are made public. We propose PP-Mark, a provenance framework that anchors lightweight statistical detection to a zero-knowledge proof of the embedding process, ensuring that forged content cannot pass full verification by construction. We establish formal unforgeability under standard cryptographic assumptions and validate PP-Mark against representative baselines across two latent-diffusion models (SD2.1 and SDXL), demonstrating resistance to black-box imprint forgery, white-box optimization, and regeneration attacks while remaining practical for decentralized verification. Code is available at https://github.com/hko920920/PP-Mark_NeurIPS2026
- Abstract（参考訳）: 生成AIモデルは、現在、実際のデータと区別できない画像を生成しており、公に検証可能な証明が不可欠である。
本稿では,埋め込みプロセスのゼロ知識証明に軽量な統計的検出を固定する証明フレームワークであるPP-Markを提案する。
我々は、標準暗号の仮定の下で形式的偽造性を確立し、PP-Markを2つの潜伏拡散モデル(SD2.1とSDXL)にまたがる代表的ベースラインに対して検証し、ブラックボックスインプリントの偽造、ホワイトボックスの最適化、再生攻撃に対する抵抗を示す。
コードはhttps://github.com/hko920920/PP-Mark_NeurIPS2026で公開されている。
関連論文リスト
- On the Vulnerabilities and Data-Free Removal of Watermarks in Batch Normalization Layers [50.59575731390721]
BNベースの透かし方式の基本的脆弱性を特定し,それらを利用した実用的なデータフリー攻撃を提案する。
2つの代表的FL透かし方式の実験結果から,提案手法はモデル性能に最小限の影響を伴って一貫して透かしを除去することを示した。
論文 参考訳（メタデータ） (2026-10-20T11:55:21Z) - Cert-LAS: Toward Certified Model Ownership Verification for Text-to-Image Diffusion Models via Layer-Adaptive Smoothing [75.56230265544042]
大規模テキスト・ツー・イメージ(T2I)拡散モデルにより、前例のない創造的応用が可能になったが、その無許可の使用は、深刻な知的財産権の懸念を提起している。
層適応平滑化に基づくT2Iモデルのための最初の認定MOV法であるCert-LASを提案する。
特定の条件下では、悪意のある除去攻撃があっても、我々のCert-LASは信頼性の高い検証が可能である。
論文 参考訳（メタデータ） (2026-05-28T11:54:52Z) - SAiW: Source-Attributable Invisible Watermarking for Proactive Deepfake Defense [7.442956390854273]
現代の生成モデルによって生成されたディープフェイクは、情報の完全性、デジタルアイデンティティ、および公的な信頼に深刻な脅威をもたらす。
本稿では,プロアクティブなディープフェイクディフェンスとメディアプロファイランス検証のための,ソースAttributed Invisible Watermarking FrameworkであるSAiWを紹介する。
論文 参考訳（メタデータ） (2026-03-24T13:26:52Z) - LLM Watermark Evasion via Bias Inversion [24.543675977310357]
本稿では,理論的動機付けとモデルに依存しないemphBias-Inversion Rewriting Attack (BIRA)を提案する。
BIRAは、下層の透かし方式を知らずに書き直し中に、おそらく透かしのトークンのロジットを抑えることで透かし信号を弱める。
論文 参考訳（メタデータ） (2025-09-27T00:24:57Z) - 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) - CertDW: Towards Certified Dataset Ownership Verification via Conformal Prediction [48.82467166657901]
本稿では,最初の認証データセット透かし(CertDW)とCertDWベースの認証データセットオーナシップ検証手法を提案する。
共形予測に触発されて,主確率 (PP) と透かし頑健性 (WR) の2つの統計指標を導入する。
我々は、不審モデルのWR値が、透かしのないデータセットでトレーニングされた良性モデルのPP値を大幅に上回る場合に、PPとWRの間に証明可能な低い境界が存在することを証明した。
論文 参考訳（メタデータ） (2025-06-16T07:17:23Z) - Towards Dataset Copyright Evasion Attack against Personalized Text-to-Image Diffusion Models [52.877452505561706]
データセットのオーナシップ検証(DOV)を損なうよう特別に設計された最初の著作権回避攻撃を提案する。
CEAT2Iは, 試料検出, トリガー同定, 効率的な透かし除去の3段階からなる。
実験の結果,CEAT2I はモデル性能を保ちながら DOV 機構を効果的に回避できることがわかった。
論文 参考訳（メタデータ） (2025-05-05T17:51:55Z)
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。