浅い拡散: 低次元サブ空間を活用した強力で不可視なディフュージョンモデルへのウォーターマルキング

arXiv:2410.21088v4 Announce Type: replace-cross 要旨: ディフュージョンモデルによる AI 生成コンテンツの広範な利用は、誤情報と著作権侵害の懸念を大きく増大させています。ウォーターマルキングは、これらの AI 生成画像を特定し、その誤用を防ぐために不可欠な技術です。本論文では、ディフュージョンモデルの出力に強力で不可視なウォーターマルキングを埋め込む新しい技術である「Shallow Diffuse」を導入します。現行のアプローチがウォーターマルキングを全ディフュージョンサンプリングプロセスに統合するのに対し、Shallow Diffuse は画像生成プロセス内の低次元サブ空間の存在を活用してこれらの手順を分離させます。この手法は、ウォーターマルキングの大部分をこのサブ空間のnull space に位置付けることで、画像生成プロセスからこれを効果的に分離します。私たちの理論的・経験的分析は、この分離戦略がデータ生成の一貫性とウォーターマルキングの検出可能性を大幅に向上させることを示しています。広範な実験により、Shallow Diffuse が既存のウォーターマルキング手法を上回る強度と一貫性を示していることがさらに検証されました。コードは https://github.com/liwd190019/Shallow-Diffuse に公開されています。

arXiv:2410.21088v4 Announce Type: replace-cross Abstract: The widespread use of AI-generated content from diffusion models has raised significant concerns regarding misinformation and copyright infringement. Watermarking is a crucial technique for identifying these AI-generated images and preventing their misuse. In this paper, we introduce Shallow Diffuse, a new watermarking technique that embeds robust and invisible watermarks into diffusion model outputs. Unlike existing approaches that integrate watermarking throughout the entire diffusion sampling process, Shallow Diffuse decouples these steps by leveraging the presence of a low-dimensional subspace in the image generation process. This method ensures that a substantial portion of the watermark lies in the null space of this subspace, effectively separating it from the image generation process. Our theoretical and empirical analyses show that this decoupling strategy greatly enhances the consistency of data generation and the detectability of the watermark. Extensive experiments further validate that our Shallow Diffuse outperforms existing watermarking methods in terms of robustness and consistency. The codes are released at https://github.com/liwd190019/Shallow-Diffuse.