論文の概要: WMFormer++: Nested Transformer for Visible Watermark Removal via Implict Joint Learning

• arxiv url: http://arxiv.org/abs/2308.10195v1
• Date: Sun, 20 Aug 2023 07:56:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 17:11:18.750846
• Title: WMFormer++: Nested Transformer for Visible Watermark Removal via Implict Joint Learning
• Title（参考訳）: WMFormer++: 命令型共同学習による可視な透かし除去のためのNested Transformer
• Authors: Dongjian Huo, Zehong Zhang, Hanjing Su, Guanbin Li, Chaowei Fang, Qingyao Wu
• Abstract要約: 既存の透かし除去方法は、複数のデコーダブランチを持つUNetアーキテクチャに依存している。 本稿では,透かし抽出とバックグラウンド復元を単一タスクとして扱う,統一デコーダブランチを用いたトランスフォーマーベースの新しいアプローチを提案する。 提案手法は最先端の性能を実現し,高品質な画像を生成する。
• 参考スコア（独自算出の注目度）: 68.00975867932331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Watermarking serves as a widely adopted approach to safeguard media copyright. In parallel, the research focus has extended to watermark removal techniques, offering an adversarial means to enhance watermark robustness and foster advancements in the watermarking field. Existing watermark removal methods often rely on UNet architectures with multiple decoder branches -- one for watermark localization and the other for background image restoration. These methods involve complex module designs to guide information flow for respective tasks, which can lead to suboptimal performance and an overly cumbersome model. To simplify the existing framework, we propose a novel Transformer-based approach with a unified decoder branch, treating watermark extraction and background restoration as a single task and allowing thenetwork to learn information flow between them without artificial design patterns. Additionally, we utilize nested structures to facilitate multi-scale feature fusion, forming a parallel ensemble of nested structures that constitute the UNet. Supervision is applied to UNets with varying depths to facilitate knowledge learning across all levels. Extensive experiments are conducted on various challenging benchmarks to validate the effectiveness of our proposed method. The results demonstrate that our approach achieves state-of-the-art performance and produces high-quality images.
• Abstract（参考訳）: ウォーターマーキングはメディア著作権を保護するために広く採用されているアプローチである。 並行して、研究の焦点は透かし除去技術にまで拡張され、透かしの堅牢性を高め、透かし分野の進歩を促進するための敵対手段が提供された。 既存のウォーターマーク除去方法は、複数のデコーダブランチを持つunetアーキテクチャに依存することが多い。 これらの手法は、各タスクの情報フローをガイドする複雑なモジュール設計を含んでおり、最適化性能と過度に煩雑なモデルに繋がる可能性がある。 既存のフレームワークを単純化するために, 統一デコーダブランチを用いた新しいトランスフォーマー方式を提案し, 透かし抽出と背景復元を単一タスクとして処理し, 人工的なデザインパターンを使わずに情報フローを学習できるようにした。 さらに、ネスト構造を用いてマルチスケールの機能融合を促進し、UNetを構成するネスト構造の並列アンサンブルを形成する。 すべてのレベルにわたる知識学習を促進するために、さまざまな深さのunetsに対して監督が適用される。 提案手法の有効性を検証するため,様々な試行錯誤試験を行った。 その結果,本手法は最先端の性能を達成し,高品質な画像を生成することを示す。

関連論文リスト

• De-mark: Watermark Removal in Large Language Models [59.00698153097887]
  我々は、n-gramベースの透かしを効果的に除去するために設計された高度なフレームワークであるDe-markを紹介する。 提案手法は,透かしの強度を評価するために,ランダム選択探索と呼ばれる新しいクエリ手法を利用する。
  論文  参考訳（メタデータ） (2024-10-17T17:42:10Z)
• Image Watermarks are Removable Using Controllable Regeneration from Clean Noise [26.09012436917272]
  透かし技法の重要な特徴は、様々な操作に対する頑丈さである。 アート透かし技術の現状を効果的に無効化できる透かし除去手法を提案する。
  論文  参考訳（メタデータ） (2024-10-07T20:04:29Z)
• 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)
• A Resilient and Accessible Distribution-Preserving Watermark for Large Language Models [65.40460716619772]
  本研究は,textbfDistribution-textbf Preserving (DiP)ウォーターマークの重要性に焦点をあてる。 現在の戦略とは対照的に,提案したDiPmarkは透かし中に元のトークン分布を同時に保存する。 言語モデルAPIにアクセスせずに検出可能で(アクセス可能)、トークンの適度な変更に対して確実に堅牢である。
  論文  参考訳（メタデータ） (2023-10-11T17:57:35Z)
• Robust Image Watermarking based on Cross-Attention and Invariant Domain Learning [1.6589012298747952]
  本稿では,クロスアテンションと不変領域学習を利用して,ロバストな画像透かし手法を提案する。 マルチヘッドクロスアテンション機構を用いた透かし埋め込み方式を設計し,表紙画像と透かしとの情報交換を可能にする。 第2に,透かしに関する意味的情報と雑音的不変情報の両方をカプセル化した不変領域表現の学習を提唱する。
  論文  参考訳（メタデータ） (2023-10-09T04:19:27Z)
• 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)
• 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。