論文の概要: A self-supervised CNN for image watermark removal

• arxiv url: http://arxiv.org/abs/2403.05807v1
• Date: Sat, 9 Mar 2024 05:59:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 12:24:01.221666
• Title: A self-supervised CNN for image watermark removal
• Title（参考訳）: 画像透かし除去のための自己教師型CNN
• Authors: Chunwei Tian, Menghua Zheng, Tiancai Jiao, Wangmeng Zuo, Yanning Zhang, Chia-Wen Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 102.94929746450902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Popular convolutional neural networks mainly use paired images in a supervised way for image watermark removal. However, watermarked images do not have reference images in the real world, which results in poor robustness of image watermark removal techniques. In this paper, we propose a self-supervised convolutional neural network (CNN) in image watermark removal (SWCNN). SWCNN uses a self-supervised way to construct reference watermarked images rather than given paired training samples, according to watermark distribution. A heterogeneous U-Net architecture is used to extract more complementary structural information via simple components for image watermark removal. Taking into account texture information, a mixed loss is exploited to improve visual effects of image watermark removal. Besides, a watermark dataset is conducted. Experimental results show that the proposed SWCNN is superior to popular CNNs in image watermark removal.
• Abstract（参考訳）: 一般的な畳み込みニューラルネットワークは、主にイメージ透かし除去のために教師付き方法でペア画像を使用する。 しかし,透かし画像は実世界の参照画像を持たないため,画像透かし除去技術の堅牢性は低い。 本稿では,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。 不均一なU-Netアーキテクチャは、画像透かし除去のための単純なコンポーネントを通して、より補完的な構造情報を抽出するために使用される。 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。 また、透かしデータセットが実行される。 SWCNNは画像透かし除去において一般的なCNNよりも優れていることを示す実験結果を得た。

関連論文リスト

• 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)
• 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)
• 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)
• Convolutional Neural Network-Based Image Watermarking using Discrete Wavelet Transform [5.1779694507922835]
  本稿では,畳み込みニューラルネットワーク(CNN)とウェーブレット変換を組み合わせた透かしネットワークを提案する。 ネットワークはホストイメージの解像度とは独立しており、あらゆる種類の透かしを受け付け、パフォーマンスを維持しながら11のCNN層しか持たない。
  論文  参考訳（メタデータ） (2022-10-08T22:54:46Z)
• Watermark Vaccine: Adversarial Attacks to Prevent Watermark Removal [69.10633149787252]
  本稿では,対人機械学習による対人防御機構を提案する。 破壊性ウォーターマークワクチン(DWV)は、透かし除去ネットワークを通過した後、宿主のイメージと透かしを破滅させる。 Inerasable Watermark Vaccine(IWV)は、透かしが取り除かれないようにし、目立たないようにする別の方法だ。
  論文  参考訳（メタデータ） (2022-07-17T13:50:02Z)
• 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)
• 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。