論文の概要: WDNet: Watermark-Decomposition Network for Visible Watermark Removal

• arxiv url: http://arxiv.org/abs/2012.07616v2
• Date: Tue, 15 Dec 2020 03:57:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:19:44.685192
• Title: WDNet: Watermark-Decomposition Network for Visible Watermark Removal
• Title（参考訳）: wdnet: 透かし除去のための透かし除去ネットワーク
• Authors: Yang Liu, Zhen Zhu, and Xiang Bai
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.14614115654322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visible watermarks are widely-used in images to protect copyright ownership. Analyzing watermark removal helps to reinforce the anti-attack techniques in an adversarial way. Current removal methods normally leverage image-to-image translation techniques. Nevertheless, the uncertainty of the size, shape, color and transparency of the watermarks set a huge barrier for these methods. To combat this, we combine traditional watermarked image decomposition into a two-stage generator, called Watermark-Decomposition Network (WDNet), where the first stage predicts a rough decomposition from the whole watermarked image and the second stage specifically centers on the watermarked area to refine the removal results. The decomposition formulation enables WDNet to separate watermarks from the images rather than simply removing them. We further show that these separated watermarks can serve as extra nutrients for building a larger training dataset and further improving removal performance. Besides, we construct a large-scale dataset named CLWD, which mainly contains colored watermarks, to fill the vacuum of colored watermark removal dataset. Extensive experiments on the public gray-scale dataset LVW and CLWD consistently show that the proposed WDNet outperforms the state-of-the-art approaches both in accuracy and efficiency. The code and CLWD dataset are publicly available at https://github.com/MRUIL/WDNet.
• Abstract（参考訳）: 視覚的な透かしは、著作権の所有権を保護するために画像に広く使われている。 ウォーターマークの除去分析は、敵対的な方法で攻撃防止技術を強化するのに役立つ。 現在の除去法は通常、画像から画像への変換技術を利用する。 それでも、透かしのサイズ、形状、色、透明さの不確かさは、これらの方法の大きな障壁となった。 そこで本研究では, 従来の透かし画像分解を, 透かし分解ネットワーク (wdnet) と呼ばれる2段階生成器に組み合わせることにより, 第1段階は透かし画像全体からの粗い分解を予測し, 第2段階は透かし領域に集中して除去結果を洗練する。 分解の定式化により、WDNetは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る。 さらに,これらの分離透かしは,より大きなトレーニングデータセットを構築するための余分な栄養源となり,さらに除去性能が向上することを示す。 また,カラーウォーターマーク除去データセットの真空を満たすために,主にカラーウォーターマークを含むclwdという大規模データセットを構築した。 パブリックグレースケールデータセットLVWとCLWDの大規模な実験は、提案されたWDNetが精度と効率の両方で最先端のアプローチより優れていることを一貫して示している。 コードとCLWDデータセットはhttps://github.com/MRUIL/WDNetで公開されている。

関連論文リスト

• ESpeW: Robust Copyright Protection for LLM-based EaaS via Embedding-Specific Watermark [50.08021440235581]
  組み込み・アズ・ア・サービス(Eding)はAIアプリケーションにおいて重要な役割を担っている。 編集はモデル抽出攻撃に対して脆弱であり、著作権保護の緊急の必要性を強調している。 そこで我々は,Edingの著作権保護を堅牢にするための新しい埋め込み専用透かし (ESpeW) 機構を提案する。
  論文  参考訳（メタデータ） (2024-10-23T04:34:49Z)
• A self-supervised CNN for image watermark removal [102.94929746450902]
  画像透かし除去(SWCNN)における自己教師型畳み込みニューラルネットワーク(CNN)を提案する。 SWCNNは、透かし分布に従って、ペアのトレーニングサンプルではなく、基準透かし画像を構築するために、自己教師付き方式を使用している。 テクスチャ情報を考慮すると、画像透かし除去の視覚効果を改善するために混合損失を利用する。
  論文  参考訳（メタデータ） (2024-03-09T05:59:48Z)
• DeepEclipse: How to Break White-Box DNN-Watermarking Schemes [60.472676088146436]
  既存のホワイトボックスの透かし除去方式とは大きく異なる難読化手法を提案する。 DeepEclipseは、下層の透かしスキームについて事前に知ることなく、透かし検出を回避できる。 評価の結果,DeepEclipseは複数のホワイトボックス透かし方式に優れていることがわかった。
  論文  参考訳（メタデータ） (2024-03-06T10:24:47Z)
• 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)
• Invisible Image Watermarks Are Provably Removable Using Generative AI [47.25747266531665]
  Invisibleの透かしは、所有者によってのみ検出可能な隠されたメッセージを埋め込むことで、画像の著作権を保護する。 我々は、これらの見えない透かしを取り除くために、再生攻撃のファミリーを提案する。 提案手法は,まず画像にランダムノイズを加えて透かしを破壊し,画像を再構成する。
  論文  参考訳（メタデータ） (2023-06-02T23:29:28Z)
• Watermark Faker: Towards Forgery of Digital Image Watermarking [10.14145437847397]
  我々は, 生成的逆学習を用いて, デジタル画像ウォーターマーク・フェイカーの開発を初めて試みる。 提案手法は,空間領域と周波数領域の両方において,デジタル画像透かしを効果的にクラックできることを示す。
  論文  参考訳（メタデータ） (2021-03-23T12:28:00Z)
• Split then Refine: Stacked Attention-guided ResUNets for Blind Single Image Visible Watermark Removal [69.92767260794628]
  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。
  論文  参考訳（メタデータ） (2020-12-13T09:05:37Z)

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。