論文の概要: Generative Model Watermarking Based on Human Visual System

• arxiv url: http://arxiv.org/abs/2209.15268v1
• Date: Fri, 30 Sep 2022 06:59:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 16:26:36.794643
• Title: Generative Model Watermarking Based on Human Visual System
• Title（参考訳）: 人間の視覚システムに基づく生成モデル透かし
• Authors: Li Zhang, Yong Liu, Shaoteng Liu, Tianshu Yang, Yexin Wang, Xinpeng Zhang and Hanzhou Wu
• Abstract要約: 本稿では,RGB色空間とYUV色空間でそれぞれ実現された2つのHVSモデルウォーターマーキング手法を提案する。 実験により,保護対象モデルの忠実度を向上し,良好な普遍性を有する提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 35.126052824528074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intellectual property protection of deep neural networks is receiving attention from more and more researchers, and the latest research applies model watermarking to generative models for image processing. However, the existing watermarking methods designed for generative models do not take into account the effects of different channels of sample images on watermarking. As a result, the watermarking performance is still limited. To tackle this problem, in this paper, we first analyze the effects of embedding watermark information on different channels. Then, based on the characteristics of human visual system (HVS), we introduce two HVS-based generative model watermarking methods, which are realized in RGB color space and YUV color space respectively. In RGB color space, the watermark is embedded into the R and B channels based on the fact that HVS is more sensitive to G channel. In YUV color space, the watermark is embedded into the DCT domain of U and V channels based on the fact that HVS is more sensitive to brightness changes. Experimental results demonstrate the effectiveness of the proposed work, which improves the fidelity of the model to be protected and has good universality compared with previous methods.
• Abstract（参考訳）: ディープニューラルネットワークの知的財産保護は、ますます多くの研究者から注目を集めており、最新の研究は画像処理のための生成モデルにモデルウォーターマークを適用する。 しかしながら、生成モデル用に設計された既存の透かし法は、サンプル画像の異なるチャネルが透かしに与える影響を考慮していない。 その結果、透かし性能はまだ限られている。 この問題に対処するために,本稿ではまず,異なるチャネルに透かし情報を埋め込む効果を解析する。 次に,人間の視覚システム(hvs)の特性に基づいて,rgb色空間とyuv色空間でそれぞれ実現される2つのhvsに基づく生成モデル透かし手法を提案する。 RGB色空間では、HVSがGチャネルに対してより敏感であるという事実に基づいて、透かしをRとBチャネルに埋め込む。 YUV色空間では、HVSが明るさ変化に敏感であるという事実に基づき、透かしはUチャネルとVチャネルのDCT領域に埋め込まれる。 実験の結果,提案手法の有効性が示され,保護すべきモデルの忠実性が向上し,従来手法に比べて普遍性が向上した。

関連論文リスト

• IWN: Image Watermarking Based on Idempotency [0.0]
  本稿では,画像透かし処理におけるイデオロシティの導入の可能性について検討する。 カラー画像透かしの回復品質向上に焦点をあてたモデルでは,イデオロシティを活用し,画像の可逆性を向上する。
  論文  参考訳（メタデータ） (2024-09-29T01:29:34Z)
• JIGMARK: A Black-Box Approach for Enhancing Image Watermarks against Diffusion Model Edits [76.25962336540226]
  JIGMARKは、コントラスト学習による堅牢性を高める、第一級の透かし技術である。 本評価の結果,JIGMARKは既存の透かし法をはるかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-06T03:31:41Z)
• Gaussian Shading: Provable Performance-Lossless Image Watermarking for Diffusion Models [71.13610023354967]
  著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。 本研究では,性能ロスレスかつトレーニング不要な拡散モデル透かし手法を提案する。
  論文  参考訳（メタデータ） (2024-04-07T13:30:10Z)
• Wide Flat Minimum Watermarking for Robust Ownership Verification of GANs [23.639074918667625]
  ホワイトボックス攻撃に対するロバスト性を向上したGANのための新しいマルチビット・ボックスフリー透かし手法を提案する。 透かしは、GANトレーニング中に余分な透かし損失項を追加することで埋め込む。 その結果,透かしの存在が画像の品質に与える影響は無視できることがわかった。
  論文  参考訳（メタデータ） (2023-10-25T18:38:10Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators [120.06891448820447]
  鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。 水中画像強調(UIE)の課題も、時間とともに現れた。 本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。 我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-06-15T07:41:12Z)
• Underwater Image Enhancement via Medium Transmission-Guided Multi-Color Space Embedding [88.46682991985907]
  本稿では,Ucolor と呼ばれる媒体透過誘導多色空間埋め込みによる水中画像強調ネットワークを提案する。 当社のネットワークは、複数の色空間を埋め込むことにより、水中画像の視覚的品質を効果的に改善できます。
  論文  参考訳（メタデータ） (2021-04-27T07:35:30Z)
• Underwater Image Enhancement via Learning Water Type Desensitized Representations [29.05252230912826]
  本稿では,これらの課題に対処するため,SCNetと呼ばれる新しい水中画像強調(UIE)フレームワークを提案する。 SCNetは、空間次元とチャネル次元の両方にわたる正規化スキームに基づいており、水型脱感応特徴を学習する鍵となるアイデアである。 2つの実世界のUIEデータセットによる実験結果から,提案手法は多様な水型で画像の強化に有効であることが示された。
  論文  参考訳（メタデータ） (2021-02-01T07:34:54Z)

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。