論文の概要: Split then Refine: Stacked Attention-guided ResUNets for Blind Single
Image Visible Watermark Removal
- arxiv url: http://arxiv.org/abs/2012.07007v1
- Date: Sun, 13 Dec 2020 09:05:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-09 12:40:32.022373
- Title: Split then Refine: Stacked Attention-guided ResUNets for Blind Single
Image Visible Watermark Removal
- Title（参考訳）: split then refine: 目立たない1枚の透かし除去のための注意誘導レサンセットの積み重ね
- Authors: Xiaodong Cun and Chi-Man Pun
- Abstract要約: 従来の透かし除去方法は,ユーザから透かしの位置を取得したり,マルチタスクネットワークをトレーニングして,背景を無差別に復元する必要があった。
本稿では,注目誘導型ResUNetsを積み重ねた新しい2段階フレームワークを提案し,検出・除去・精錬の過程をシミュレートする。
様々な条件下で4つの異なるデータセット上でアルゴリズムを広範囲に評価し,その手法が他の最先端手法をはるかに上回っていることを示す実験を行った。
- 参考スコア（独自算出の注目度）: 69.92767260794628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital watermark is a commonly used technique to protect the copyright of
medias. Simultaneously, to increase the robustness of watermark, attacking
technique, such as watermark removal, also gets the attention from the
community. Previous watermark removal methods require to gain the watermark
location from users or train a multi-task network to recover the background
indiscriminately. However, when jointly learning, the network performs better
on watermark detection than recovering the texture. Inspired by this
observation and to erase the visible watermarks blindly, we propose a novel
two-stage framework with a stacked attention-guided ResUNets to simulate the
process of detection, removal and refinement. In the first stage, we design a
multi-task network called SplitNet. It learns the basis features for three
sub-tasks altogether while the task-specific features separately use multiple
channel attentions. Then, with the predicted mask and coarser restored image,
we design RefineNet to smooth the watermarked region with a mask-guided spatial
attention. Besides network structure, the proposed algorithm also combines
multiple perceptual losses for better quality both visually and numerically. We
extensively evaluate our algorithm over four different datasets under various
settings and the experiments show that our approach outperforms other
state-of-the-art methods by a large margin. The code is available at
http://github.com/vinthony/deep-blind-watermark-removal.
- Abstract（参考訳）: デジタル透かし(Digital watermark)は、メディアの著作権を保護する技術である。
同時に、透かしの堅牢性を高めるため、透かし除去などの攻撃技術もコミュニティから注目を集めている。
従来の透かし除去方法は,ユーザから透かしの位置を取得したり,マルチタスクネットワークをトレーニングして,背景を無差別に復元する必要があった。
しかし,共同学習において,ネットワークはテクスチャの回復よりも透かし検出に優れていた。
この観察にインスパイアされ、目に見える透かしを盲目的に消し去るために、注意誘導型ResUNetsを積み重ねた新しい2段階のフレームワークを提案し、検出・除去・洗練の過程をシミュレートする。
最初の段階では、SplitNetと呼ばれるマルチタスクネットワークを設計する。
3つのサブタスクの基本機能をすべて学習し、タスク固有の機能は複数のチャンネルの注意を個別に使用する。
そして, 予測マスクと粗い画像の復元により, 透かし領域の平滑化を図ったRefineNetの設計を行った。
ネットワーク構造に加えて,提案手法では複数の知覚損失を組み合わせることで,視覚的および数値的に品質を向上させる。
様々な条件下で4つの異なるデータセット上でアルゴリズムを広範囲に評価し,その手法が他の最先端手法をはるかに上回っていることを示す実験を行った。
コードはhttp://github.com/vinthony/deep-blind-watermark-removalで入手できる。
関連論文リスト
- Invisible Watermarks: Attacks and Robustness [0.3495246564946556]
本稿では,攻撃時の画像品質の劣化を最小限に抑えるとともに,透かしの堅牢性を向上する新しい手法を提案する。
そこで本研究では,デコード中,一方の透かしのモダリティを保ちながら他方を完全に除去する独自の透かし除去ネットワークを提案する。
評価の結果,1)他のモダリティを復号する際の透かしモダリティの1つを保持するための透かし除去モデルの実装は,ベースライン性能において若干改善され,2)LBAは画像全体の均一なぼかしに比べて画像の劣化を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-12-17T03:50:13Z) - Perceptive self-supervised learning network for noisy image watermark
removal [59.440951785128995]
雑音の多い画像透かし除去のための知覚的自己教師型学習ネットワーク(PSLNet)を提案する。
提案手法は,雑音の多い画像透かし除去のための一般的な畳み込みニューラルネットワーク(CNN)と比較して非常に効果的である。
論文 参考訳（メタデータ） (2024-03-04T16:59:43Z) - Removing Interference and Recovering Content Imaginatively for Visible
Watermark Removal [63.576748565274706]
本研究では,Removing Interference and Recovering Content Imaginatively (RIRCI)フレームワークについて紹介する。
RIRCIは2段階のアプローチを具現化しており、最初のフェーズは透かし成分の識別と分離に焦点を当て、次のフェーズは背景コンテンツの復元に焦点を当てている。
本モデルでは,半透明透かしの下の固有背景情報を完全に探索できるデュアルパスネットワークを用いる。
論文 参考訳（メタデータ） (2023-12-22T02:19:23Z) - WMFormer++: Nested Transformer for Visible Watermark Removal via Implict
Joint Learning [68.00975867932331]
既存の透かし除去法は主にタスク固有のデコーダブランチを持つUNetに依存している。
両分野の情報を包括的に統合するために,暗黙的な共同学習パラダイムを導入する。
その結果、既存の最先端手法をはるかに上回る、我々のアプローチの顕著な優位性を示した。
論文 参考訳（メタデータ） (2023-08-20T07:56:34Z) - Visual Watermark Removal Based on Deep Learning [0.0]
視覚的透かし除去のための深層学習手法を提案する。
U構造の強い画像翻訳性能に触発されて、AdvancedUnetと呼ばれるエンドツーエンドのディープニューラルネットワークモデルが提案され、同時に視覚的な透かしを抽出して除去する。
論文 参考訳（メタデータ） (2023-02-07T04:18:47Z) - Watermarking Images in Self-Supervised Latent Spaces [75.99287942537138]
我々は,自己教師型アプローチに照らして,事前学習した深層ネットワークに基づく透かし手法を再検討する。
我々は、マーク時間におけるデータの増大を利用して、マークとバイナリのメッセージをその潜在空間に埋め込む方法を提案する。
論文 参考訳（メタデータ） (2021-12-17T15:52:46Z) - Visible Watermark Removal via Self-calibrated Localization and
Background Refinement [21.632823897244037]
画像に透かした透かしを重ねることで、著作権問題に対処する強力な武器を提供する。
現代の透かし除去法は、透かしの局所化と背景復元を同時に行う。
上記の問題に対処する2段階のマルチタスクネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-08T06:43:55Z) - Robust Watermarking using Diffusion of Logo into Autoencoder Feature
Maps [10.072876983072113]
本稿では,透かしのためのエンドツーエンドネットワークを提案する。
画像の内容に基づいて,畳み込みニューラルネットワーク(CNN)を用いて埋め込み強度を制御する。
異なる画像処理攻撃は、モデルの堅牢性を改善するためにネットワーク層としてシミュレートされる。
論文 参考訳（メタデータ） (2021-05-24T05:18:33Z) - WDNet: Watermark-Decomposition Network for Visible Watermark Removal [61.14614115654322]
透かしのサイズ、形状、色、透明さの不確かさは、画像から画像への翻訳技術にとって大きな障壁となった。
従来の透かし画像分解を2段発電機(WDNet(Watermark-Decomposition Network))に組み合わせます。
分解製剤は、WDNetが単に削除するのではなく、画像から透かしを分離することができます。
論文 参考訳（メタデータ） (2020-12-14T15:07:35Z)
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。