論文の概要: Markpainting: Adversarial Machine Learning meets Inpainting

• arxiv url: http://arxiv.org/abs/2106.00660v1
• Date: Tue, 1 Jun 2021 17:45:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 15:53:18.372634
• Title: Markpainting: Adversarial Machine Learning meets Inpainting
• Title（参考訳）: Markpainting: 敵の機械学習がInpaintingと出会う
• Authors: David Khachaturov, Ilia Shumailov, Yiren Zhao, Nicolas Papernot, Ross Anderson
• Abstract要約: インペインティング(英: Inpainting)とは、画像にマスクや欠落したピースを投入する学習技法である。 塗り絵モデルにアクセスできる画像所有者が、そのモデルを使って編集しようとすると、任意の可視情報を追加するように、どのようにイメージを増大させることができるかを示す。 私たちのマークペイント技術は、異なるアーキテクチャを持つモデルや異なるデータセットでトレーニングされたモデルに転送可能であることを示します。
• 参考スコア（独自算出の注目度）: 17.52885087481822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inpainting is a learned interpolation technique that is based on generative modeling and used to populate masked or missing pieces in an image; it has wide applications in picture editing and retouching. Recently, inpainting started being used for watermark removal, raising concerns. In this paper we study how to manipulate it using our markpainting technique. First, we show how an image owner with access to an inpainting model can augment their image in such a way that any attempt to edit it using that model will add arbitrary visible information. We find that we can target multiple different models simultaneously with our technique. This can be designed to reconstitute a watermark if the editor had been trying to remove it. Second, we show that our markpainting technique is transferable to models that have different architectures or were trained on different datasets, so watermarks created using it are difficult for adversaries to remove. Markpainting is novel and can be used as a manipulation alarm that becomes visible in the event of inpainting.
• Abstract（参考訳）: インパインティング(Inpainting)は、画像にマスクや欠落したピースを投入するために使用される生成モデルに基づく、学習された補間技法であり、画像編集や修正に広く応用されている。 近年、透かしの除去に塗布が使われ始め、懸念が高まった。 本稿では,マークペイント技術を用いてその操作方法について検討する。 まず、塗装モデルにアクセスした画像所有者が、そのモデルを使って編集しようとすると、任意の可視情報を付加するように画像を強化できることを示す。 我々は,複数の異なるモデルを同時にターゲットとすることができる。 これは、エディタがそれを削除しようとした場合、ウォーターマークを再構成するように設計できる。 第二に、我々のマークペイント技術は異なるアーキテクチャを持つモデルや異なるデータセットで訓練されたモデルに転送可能であることを示し、それを用いて作成された透かしは敵が取り除くのが困難である。 マークパインティング(Markpainting)は新規で、着色時に目に見えるアラームとして使用できる。

関連論文リスト

• Paint by Inpaint: Learning to Add Image Objects by Removing Them First [8.399234415641319]
  我々は、画像にオブジェクトを効果的に付加して、塗布過程を逆転させる拡散モデルを訓練する。 削除対象の詳細な記述と,これらの記述を多種多様な自然言語命令に変換するための大規模言語モデルを提供する。
  論文  参考訳（メタデータ） (2024-04-28T15:07:53Z)
• A Somewhat Robust Image Watermark against Diffusion-based Editing Models [25.034612051522167]
  拡散モデル(DM)に基づく編集モデルでは、画像著作権侵害や悪意のある編集に関する新たな課題が必然的に導入されている。 我々は,目に見えない透かしを埋め込む新しい手法RIW(Robust Invisible Watermarking)を開発した。 従来手法では0%であったのに対し,編集後の透かしでは高い抽出精度が96%であった。
  論文  参考訳（メタデータ） (2023-11-22T22:18:42Z)
• Reference-based Painterly Inpainting via Diffusion: Crossing the Wild Reference Domain Gap [80.19252970827552]
  RefPaintは、野生の参照ドメインギャップを横断して、新しいオブジェクトをアートワークに埋め込む新しいタスクである。 提案手法は,他の方法では達成し難い参照オブジェクトで絵を描くことができる。
  論文  参考訳（メタデータ） (2023-07-20T04:51:10Z)
• PaintSeg: Training-free Segmentation via Painting [50.17936803209125]
  PaintSegは、トレーニングなしでオブジェクトをセグメンテーションするための新しい教師なしのメソッドである。 前者は前景をマスキングして背景を埋め、後者は前景の欠落部分を回復しながら背景をマスキングする。 実験の結果、PaintSegは、粗いマスクプロンプト、ボックスプロンプト、ポイントプロンプトセグメンテーションタスクにおいて、既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-30T20:43:42Z)
• Perceptual Artifacts Localization for Inpainting [60.5659086595901]
  そこで本研究では,知覚的アーティファクトの自動セグメンテーションの学習タスクを提案する。 データセット上で高度なセグメンテーションネットワークをトレーニングし、インペイントされた画像内のインペイントされたアーティファクトを確実にローカライズする。 また, 対象領域と対象領域全体との比率である知覚人工物比 (PAR) という新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2022-08-05T18:50:51Z)
• RePaint: Inpainting using Denoising Diffusion Probabilistic Models [161.74792336127345]
  Free-form Inpaintingは任意のバイナリマスクで指定された領域のイメージに新しいコンテンツを追加するタスクである。 RePaint: A Denoising Probabilistic Model (DDPM) を用いた塗装手法を提案する。 本手法は,標準的なマスクと極端マスクを用いて,顔と汎用画像の塗装の両面で検証する。
  論文  参考訳（メタデータ） (2022-01-24T18:40:15Z)
• SketchEdit: Mask-Free Local Image Manipulation with Partial Sketches [95.45728042499836]
  マスクレス局所画像操作という,スケッチに基づく画像操作の新しいパラダイムを提案する。 本モデルでは,対象の修正領域を自動的に予測し,構造型ベクトルにエンコードする。 ジェネレータは、スタイルベクトルとスケッチに基づいて、新しいイメージコンテンツを合成する。
  論文  参考訳（メタデータ） (2021-11-30T02:42:31Z)
• In&Out : Diverse Image Outpainting via GAN Inversion [89.84841983778672]
  image outpaintingは、利用可能なコンテンツを超えて、入力画像の意味的に一貫した拡張を求める。 本研究では、生成的対向ネットワークの反転の観点から問題を定式化する。 私達の発電機はイメージの彼らの共同潜入コードそして個々の位置で調節されるマイクロ パッチをレンダリングします。
  論文  参考訳（メタデータ） (2021-04-01T17:59:10Z)

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。