拡散モデル防御2026/6/10arXiv:2606.12263

VOID: 潜在拡散モデルにおける不正な模倣を打ち破る

VOID: Defeating Unauthorized Mimicry in Latent Diffusion Models

潜在拡散モデルによる個人の不正な模倣を防ぐため、モデルの確率的挙動を操作して画像の意味構造を破壊する防御フレームワークVOIDを提案した。

詳しい要約

1. どんなもの？

- Latent Diffusion Models (LDMs) における無断模倣を防ぐ防御フレームワーク VOID を提案。 - 既存防御は欺瞞的摂動を注入するが、LDM の復元機構により摂動が除去され、個人の identity が再出現する問題を指摘。 - VOID は LDM の内在的 stochasticity を操作し、2 つの方法で diffusion pipeline に摂動を加える。 - 1) latent encoding errors を増幅して画像の意味構造を破壊、2) target guidance signals を打ち消してモデルの復元能力を抑制。 - これにより意味的破壊を引き起こし、無断模倣を阻止。 - 視覚的ユーティリティを犠牲にせず、摂動を人間に知覚不可能な領域に限定。

2. 先行研究と比べてどこがすごい？

- 既存防御は「微妙な摂動が LDM の生成過程全体で欺瞞効果を維持する」という根拠のない仮定に依存。 - 実際には LDM の復元機構が摂動を除去し、identity が再出現する。 - VOID はこの問題を克服し、LDM の内在的 stochasticity を操作する新規アプローチ。 - 24 の最先端防御と 10 の模倣攻撃、5 データセットで評価し、平均 Frechet Inception Distance (FID) を 113 から 365 に増加（223% 改善）。 - これまでで最強の防御を大幅に上回る保護性能を実現。

3. 技術・手法の肝は？

- LDM の diffusion pipeline に 2 つの新規摂動を導入。 - 1) latent encoding errors を増幅し、画像の意味構造を粉砕。 - 2) target guidance signals を打ち消し、モデルの復元能力を抑制。 - これにより意味的破壊 (semantic corruption) を引き起こす。 - 摂動は人間に知覚不可能な領域に限定され、視覚的ユーティリティを維持。 - 具体的なアルゴリズムや実装の詳細は要旨からは不明。

4. どうやって有効だと検証した？

- 5 データセット上で 10 の模倣攻撃に対し、24 の最先端防御を包括的に評価。 - 平均 Frechet Inception Distance (FID) を 113 から 365 に増加させ、223% の改善を達成。 - これにより VOID の保護性能が既存最強防御を大幅に上回ることを実証。 - 視覚的ユーティリティの維持についても言及されているが、具体的な評価指標は要旨からは不明。

5. 議論はある？

- 既存防御の仮定（摂動の欺瞞効果が生成過程全体で持続する）が不成立であることを指摘。 - LDM の復元機構が摂動を除去し、identity が再出現する問題を議論。 - VOID はこの問題を克服するが、摂動の知覚不可能性と保護性能のトレードオフや、他の生成モデルへの一般化可能性については要旨からは不明。 - 倫理的・社会的影響や攻撃者による適応的攻撃への耐性については議論されていない。

6. 次に読むべき論文は？

- 要旨で参照/比較されている具体的な先行研究は明記されていない。 - 関連手法として、既存の LDM 防御（deceptive perturbations を注入するもの）や、Latent Diffusion Models (LDMs) 自体の研究が挙げられる。 - 同分野の定番として、Diffusion Models の防御手法や、Frechet Inception Distance (FID) を用いた評価に関する論文を読むべき。 - 具体的な論文名は要旨からは不明。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Chunlin Qiu, Ang Li, Tianxiao Huang, Ruilin Gan, Yunjie Ge, Shenyi Zhang, Huayi Duan, Lingchen Zhao, Chao Shen, Qian Wang

分類: cs.CV

原文アブストラクト

While Latent Diffusion Models (LDMs) have revolutionized visual synthesis, they are increasingly exploited for unauthorized mimicry of individuals. Existing defenses inject deceptive perturbations to steer the generated images toward irrelevant targets. However, this approach hinges on an ungrounded assumption: subtle perturbations can maintain their deceptive efficacy throughout an LDM's extensive generation process. In reality, the model's innate restoration mechanism will remove such perturbations and cause individual identities to re-emerge in the images generated. We propose VOID, a defense framework that overcomes this conundrum by manipulating an LDM's intrinsic stochasticity. VOID perturbs the diffusion pipeline in two novel ways: 1) amplifying the latent encoding errors to shatter an image's semantic structure, and 2) counteracting the target guidance signals to suppress the model's restoration capabilities. This results in a semantic corruption that thwarts any unauthorized mimicry. Notably, the security gain does not come at the price of visual utility, as VOID simultaneously manages to confine perturbations to human-imperceptible regions of protected images. Our comprehensive evaluation of 24 state-of-the-art defenses against 10 mimicry attacks on 5 datasets demonstrates VOID's unprecedented protection power: it increases the average Frechet Inception Distance (FID) from 113 to 365, a 223% improvement over the strongest defense to date.

arXivで原文を読む →arXiv概要ページ

← 論文一覧