Üretken bir modele yalnızca kara kutu örnekleme erişimi ve anlamsal yerleştirmeye kara kutu erişimi gerektiren, bozulmadığı kanıtlanabilen bir anlamsal filigranlama algoritması sunuyoruz. Bir filigranın, gizli tespit anahtarı üzerinden ortalaması alındığında, üretecin çıkış dağılımını değiştirmeden bırakması halinde distorsiyonsuz olarak adlandırılır; bu, filigranın çıktı kalitesini düşürmediğine dair resmi bir garanti sağlar. Bu tür geleneksel filigranlar genellikle dönüşümlere karşı kırılgandır.
- Üretken bir modele yalnızca kara kutu örnekleme erişimi ve anlamsal yerleştirmeye kara kutu erişimi gerektiren, bozulmadığı kanıtlanabilen bir anlamsal filigranlama algoritması sunuyoruz.
- Bir filigranın, gizli tespit anahtarı üzerinden ortalaması alındığında, üretecin çıkış dağılımını değiştirmeden bırakması halinde distorsiyonsuz olarak adlandırılır; bu, filigranın çıktı kalitesini düşürmediğine dair resmi bir garanti sağlar.
- Bu tür geleneksel filigranlar genellikle dönüşümlere karşı kırılgandır.
Üretken bir modele yalnızca kara kutu örnekleme erişimi ve anlamsal yerleştirmeye kara kutu erişimi gerektiren, bozulmadığı kanıtlanabilen bir anlamsal filigranlama algoritması sunuyoruz.
02 Özet
Üretken bir modele yalnızca kara kutu örnekleme erişimi ve anlamsal yerleştirmeye kara kutu erişimi gerektiren, bozulmadığı kanıtlanabilen bir anlamsal filigranlama algoritması sunuyoruz. Bir filigranın, gizli tespit anahtarı üzerinden ortalaması alındığında, üretecin çıkış dağılımını değiştirmeden bırakması halinde distorsiyonsuz olarak adlandırılır; bu, filigranın çıktı kalitesini düşürmediğine dair resmi bir garanti sağlar. Bu tür geleneksel filigranlar genellikle dönüşümlere karşı kırılgandır. Bu özellikle sıkıştırma, kırpma veya yeniden boyutlandırma gibi zararsız işlemlerin piksel temsilinin tamamını değiştirdiği görüntüler için sorun yaratır. Bu nedenle anlamsal filigranlar, algılamanın içeriği koruyan dönüşümlere karşı dayanıklı olmasını gerektirir. Bu özellikleri birleştiren önceki yöntemler büyük ölçüde temel modelin spesifik beyaz kutu özelliklerine dayanmaktadır: ya otoregresif metin oluşturmaya ya da başlangıçtaki gürültünün kontrolü ya da difüzyonun ters çevrilmesi gibi difüzyona özgü erişime. Buna karşılık, bizim yapımız tamamen geneldir: Örnek ve sorgu erişimi aracılığıyla algılamanın sağlam olması gereken "içeriği koruma" kavramını belirleyen bir işlev olan yalnızca üretken model ve anlamsal yerleştirme ile etkileşime girer. Daha sonra görüntü üretimi için bu çerçeveyi somutlaştırıyoruz. Anlamsal yerleştirmenin gerektirdiği iki rakip özelliği karakterize ediyoruz: görüntünün içeriğini koruyan dönüşümler altında sabit kalmalı, ancak bağımsız nesilleri aynı istemden ayırmalıdır. Bu ödünleşim için doğrudan bir görüntü kodlayıcıyı eğitiyoruz. Ortaya çıkan kodlayıcı, kullanıma hazır alternatiflere göre stabiliteyi korurken ayırmayı iyileştirir ve çeşitli dönüşümlere karşı dayanıklı kalırken güçlü agrega tespitine olanak tanır. Filigran şemamızın etkinliğini hem açık kaynak hem de kapalı modellerde gösteriyoruz; bu, yalnızca kara kutu erişiminin kısıtlanması nedeniyle mümkündür.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
We present a provably distortion-free semantic watermarking algorithm that requires only black-box sampling access to a generative model and black-box access to a semantic embedding. A watermark is called distortion-free if, averaged over its secret detection key, it leaves the generator's output distribution unchanged; this provides a formal guarantee that watermarking does not reduce output quality. Conventional such watermarks are often brittle to transformations. This is especially problematic for images, where benign operations such as compression, cropping, or resizing change the entire pixel representation. Semantic watermarks therefore require detection to be robust to content-preserving transformations. Previous methods combining these properties rely heavily on specific white-box properties of the underlying model: either to autoregressive text generation or to diffusion-specific access, such as control of the initial noise or diffusion inversion. In contrast, our construction is fully generic: It only interacts with the generative model and the semantic embedding, a function that determines the notion of "preserving content" under which detection should be robust, via sample and query access. We then instantiate this framework for image generation. We characterize the two competing properties required of the semantic embedding: it should remain stable under transformations that preserve an image's content, but should distinguish independent generations from the same prompt. We train an image encoder directly for this tradeoff. The resulting encoder improves separation while maintaining stability over off-the-shelf alternatives and enables strong aggregate detection while remaining robust to various transformations. We demonstrate the effectiveness of our watermark scheme on both open-source and closed models, which is possible only due to restriction to black-box access.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{yossef2026distortionfree,
title = {Distortion-Free Semantic Watermarks for Black-Box Generative Models},
author = {Aviv Yossef and Or Patashnik and Or Zamir},
journal = {arXiv preprint arXiv:2611.23208},
year = {2026},
url = {https://arxiv.org/abs/2611.23208}
}
Yossef, A., Patashnik, O., & Zamir, O. (2026). Kara Kutu Üretken Modeller için Distorsiyonsuz Semantik Filigranlar. arXiv. https://arxiv.org/abs/2611.23208
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın