論文の概要: JaRS: Contrast-Free Localization of Memorized Regions in Diffusion Models via Jacobian Row Sums
- arxiv url: http://arxiv.org/abs/2611.18024v1
- Date: Fri, 13 Nov 2026 10:49:42 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:23:18.637584
- Title: JaRS: Contrast-Free Localization of Memorized Regions in Diffusion Models via Jacobian Row Sums
- Title(参考訳): JaRS:Jacobian Row Sumsによる拡散モデルにおける記憶領域のコントラストフリー局在化
- Abstract要約: 拡散モデルは、トレーニング画像の領域を記憶し、再生し、プライバシーと著作権の懸念を提起することがある。
既存のコントラストに基づく手法では、各ピクセルの後方分散を反映するデノイザーヤコビアンの対角線を用いる。
ジャコビアン列和 (JaRS) が参照写像を使わずに局所平均化とは切り離されていることを示す。
- 参考スコア(独自算出の注目度): 12.19749277457389
- License:
- Abstract: Diffusion models sometimes memorize and reproduce regions of their training images, raising privacy and copyright concerns. We aim to localize these regions. Existing contrast-based methods use the diagonal of the denoiser Jacobian, which reflects the posterior variance of each pixel. However, a small diagonal entry is ambiguous: it signals either memorization or averaging over many neighboring pixels in smooth or predictable regions. To resolve this ambiguity, these methods subtract a reference map, which requires a second evaluation with a null prompt or an earlier checkpoint. Unconditional models have no null prompt, and earlier checkpoints are unavailable in general. We show that Jacobian row sums (JaRS), unlike the diagonal, separate memorization from local averaging without a reference map. Pairing JaRS with an image-level detection score that uses the same statistic at an early denoising step yields JaRS+. Across Stable Diffusion v1.4 and v2.1, Realistic Vision v5.1, and an unconditional diffusion Transformer (DiT), JaRS+ outperforms contrast-based localization methods.
- Abstract(参考訳): 拡散モデルは、トレーニング画像の領域を記憶し、再生し、プライバシーと著作権の懸念を提起することがある。
これらの地域をローカライズすることを目指している。
既存のコントラストに基づく手法では、各ピクセルの後方分散を反映するデノイザーヤコビアンの対角線を用いる。
しかし、小さな対角線は曖昧で、滑らかな領域や予測可能な領域の多くの隣接するピクセルを記憶または平均的に上回る。
この曖昧さを解決するために、これらのメソッドは、nullプロンプトまたはそれ以前のチェックポイントによる2つ目の評価を必要とする参照マップを差し引く。
非条件モデルにはnullプロンプトがなく、初期のチェックポイントは一般に利用できない。
ジャコビアン列和 (JaRS) は対角線とは異なり, 基準写像を使わずに局所平均化から分離する。
早い段階で同じ統計値を使用する画像レベルの検出スコアでJaRSをペアリングすると、JaRS+が得られる。
安定拡散 v1.4 と v2.1、リアルビジョン v5.1、非条件拡散変換器 (DiT) で、JaRS+ はコントラストベースのローカライゼーション法より優れている。
関連論文リスト
- Where Do Two Populations of Persistence Diagrams Differ? Calibrated Local Inference at a Fixed Budget [35.18016233072556]
パーシステンス・ダイアグラムの集団に対する多くの2サンプル試験は、それらに寄与する生死面の領域を特定することなく、世界的差異を評価する。
利用可能な図の数が固定された場合の局所平均コントラストの同時推定について検討する。
論文 参考訳(メタデータ) (2026-10-06T13:00:00Z) - Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。
ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。
トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
論文 参考訳(メタデータ) (2026-02-26T11:08:39Z) - Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。
地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。
実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
論文 参考訳(メタデータ) (2025-09-11T18:52:16Z) - RecDiffusion: Rectangling for Image Stitching with Diffusion Models [53.824503710254206]
画像縫合整形のための新しい拡散学習フレームワーク textbfRecDiffusion を提案する。
このフレームワークは運動拡散モデル(MDM)を組み合わせて運動場を生成し、縫合された画像の不規則な境界から幾何学的に修正された中間体へ効果的に遷移する。
論文 参考訳(メタデータ) (2024-03-28T06:22:45Z) - Convolutional Cross-View Pose Estimation [9.599356978682108]
クロスビューポーズ推定のための新しいエンドツーエンド手法を提案する。
提案手法は,VIGORおよびKITTIデータセット上で検証される。
オックスフォード・ロボットカーのデータセットでは,エゴ車両の姿勢を時間とともに確実に推定することができる。
論文 参考訳(メタデータ) (2023-03-09T13:52:28Z) - On the Limits of Pseudo Ground Truth in Visual Camera Re-localisation [83.29404673257328]
再ローカライゼーションベンチマークは、各メソッドが参照アルゴリズムの結果をいかにうまく再現するかを測定する。
このことは、参照アルゴリズムの選択がある種の再ローカライゼーション手法を好むかどうかを問うものである。
本稿では、広く使われている2つの再ローカライゼーションデータセットを分析し、参照アルゴリズムの選択によって評価結果が実際に異なることを示す。
論文 参考訳(メタデータ) (2021-09-01T12:01:08Z) - Orthogonal Jacobian Regularization for Unsupervised Disentanglement in
Image Generation [64.92152574895111]
直交ジャコビアン正規化法(OroJaR)を提案する。
提案手法は, 絡み合った, 制御可能な画像生成に有効であり, 最先端の手法に対して好適に機能する。
論文 参考訳(メタデータ) (2021-08-17T15:01:46Z) - ContourNet: Taking a Further Step toward Accurate Arbitrary-shaped Scene
Text Detection [147.10751375922035]
本研究では,シーンテキストの偽陽性と大規模分散を効果的に処理するContourNetを提案する。
本手法は,両方向の応答値の高い予測を出力するだけで,これらの偽陽性を効果的に抑制する。
論文 参考訳(メタデータ) (2020-04-10T08:15:23Z)
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。