Tracing the Roots: Leveraging Temporal Dynamics in Diffusion Trajectories for Origin Attribution

要約

拡散モデルは画像合成に革命をもたらし、近年大きな研究の関心を集めています。
拡散は、純粋なノイズから開始してサンプルが段階的に生成される反復アルゴリズムです。
このプロセスでは、拡散軌跡、つまり標準ガウス分布からターゲット画像分布までの経路の概念が導入されます。
これに関連して、私たちはこれらの軌道上で動作する識別アルゴリズムを研究します。
具体的には、事前にトレーニングされた拡散モデルが与えられた場合、モデルによって生成された、または外部ソースに由来するトレーニング データセットの一部として画像を分類する問題を検討します。
私たちのアプローチは、分類に利用できる複数のステップにわたるパターンの存在を示しています。
また、アブレーション研究も行っており、高次の勾配特徴を使用して軌道を特徴付けると、パフォーマンスが大幅に向上し、アルゴリズムがより堅牢になることが明らかになりました。

要約(オリジナル)

Diffusion models have revolutionized image synthesis, garnering significant research interest in recent years. Diffusion is an iterative algorithm in which samples are generated step-by-step, starting from pure noise. This process introduces the notion of diffusion trajectories, i.e., paths from the standard Gaussian distribution to the target image distribution. In this context, we study discriminative algorithms operating on these trajectories. Specifically, given a pre-trained diffusion model, we consider the problem of classifying images as part of the training dataset, generated by the model or originating from an external source. Our approach demonstrates the presence of patterns across steps that can be leveraged for classification. We also conduct ablation studies, which reveal that using higher-order gradient features to characterize the trajectories leads to significant performance gains and more robust algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google