論文の概要: METR: Image Watermarking with Large Number of Unique Messages
- arxiv url: http://arxiv.org/abs/2408.08340v1
- Date: Thu, 15 Aug 2024 12:22:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 17:29:47.417267
- Title: METR: Image Watermarking with Large Number of Unique Messages
- Title(参考訳): METR: 多数のユニークなメッセージによる画像透かし
- Authors: Alexander Varlamov, Daria Diatlova, Egor Spirin,
- Abstract要約: 私たちは、これらの課題に対処するためのアプローチであるMessage Enhanced Tree-Ring(METR:Message Enhanced Tree-Ring)を紹介します。
符号化されたメッセージの量を制限するために,METR++を提案する。
画像の品質を保ちながら、攻撃に対する堅牢性と多くのユニークなメッセージを暗号化する能力を示します。
- 参考スコア(独自算出の注目度): 44.99833362998488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Improvements in diffusion models have boosted the quality of image generation, which has led researchers, companies, and creators to focus on improving watermarking algorithms. This provision would make it possible to clearly identify the creators of generative art. The main challenges that modern watermarking algorithms face have to do with their ability to withstand attacks and encrypt many unique messages, such as user IDs. In this paper, we present METR: Message Enhanced Tree-Ring, which is an approach that aims to address these challenges. METR is built on the Tree-Ring watermarking algorithm, a technique that makes it possible to encode multiple distinct messages without compromising attack resilience or image quality. This ensures the suitability of this watermarking algorithm for any Diffusion Model. In order to surpass the limitations on the quantity of encoded messages, we propose METR++, an enhanced version of METR. This approach, while limited to the Latent Diffusion Model architecture, is designed to inject a virtually unlimited number of unique messages. We demonstrate its robustness to attacks and ability to encrypt many unique messages while preserving image quality, which makes METR and METR++ hold great potential for practical applications in real-world settings. Our code is available at https://github.com/deepvk/metr
- Abstract(参考訳): 拡散モデルの改善により、画像生成の品質が向上し、研究者、企業、クリエーターがウォーターマーキングアルゴリズムの改善に集中するようになった。
この規定により、生成芸術の創造者を明確に特定することが可能となる。
現代の透かしアルゴリズムが直面する主な課題は、攻撃に耐え、ユーザーIDなどの多くのユニークなメッセージを暗号化する能力に関係している。
本稿では,これらの課題に対処するためのアプローチであるMETR: Message Enhanced Tree-Ringを提案する。
METRは、攻撃のレジリエンスや画質を損なうことなく、複数の異なるメッセージのエンコードを可能にする、Tree-Ringウォーターマーキングアルゴリズムに基づいて構築されている。
これにより、任意の拡散モデルに対するこの透かしアルゴリズムの適合性が保証される。
符号化されたメッセージの量を制限するために,METR++を提案する。
このアプローチは、ラテント拡散モデルアーキテクチャに限定されるが、事実上無制限のユニークなメッセージを注入するように設計されている。
画像品質を保ちながら、多くのユニークなメッセージを暗号化できる攻撃に対するロバストさを示し、METRとMETR++は現実の環境での実践的応用に大きな可能性を秘めている。
私たちのコードはhttps://github.com/deepvk/metrで利用可能です。
関連論文リスト
- Obtaining Favorable Layouts for Multiple Object Generation [50.616875565173274]
大規模なテキスト・ツー・イメージモデルでは、テキスト・プロンプトに基づいて高品質で多様な画像を生成することができる。
しかし、既存の最先端拡散モデルでは、複数の被写体を含む画像を生成する際に困難に直面している。
誘導原理に基づく新しい手法を提案し、拡散モデルが最初にレイアウトを提案し、次にレイアウトグリッドを並べ替えることを可能にする。
これは、提案したマスクに固執するようにクロスアテンションマップ(XAM)を強制し、潜在マップから私たちによって決定された新しい場所へピクセルを移動させることによって達成される。
論文 参考訳(メタデータ) (2024-05-01T18:07:48Z) - AMUSE: Adaptive Multi-Segment Encoding for Dataset Watermarking [12.2352706636564]
透かし技術は、所有情報(すなわち透かし)を個々の画像サンプルに格納するために用いられる。
透かし全体をすべてのサンプルに埋め込むと、埋め込まれた情報にかなりの冗長性が生じる。
データセット透かしのためのマルチセグメント符号化復号法(AMUSE)を提案する。
次に、デコーダを使用して、抽出したサブメッセージから元のメッセージを再構築する。
論文 参考訳(メタデータ) (2024-03-08T19:02:21Z) - Adaptive Text Watermark for Large Language Models [8.100123266517299]
プロンプトやモデルの知識を必要とせずに、強力なセキュリティ、堅牢性、および透かしを検出する能力を維持しつつ、高品質な透かしテキストを生成することは困難である。
本稿では,この問題に対処するための適応型透かし手法を提案する。
論文 参考訳(メタデータ) (2024-01-25T03:57:12Z) - Practical Deep Dispersed Watermarking with Synchronization and Fusion [10.633580224539337]
我々は,textbfSynchronization と textbfFusion を併用した,実践的なdeep textbfDispersed textbfWatermarkingを提案する。
我々の盲目透かしは、平均してビット精度を5.28%改善し、5.93%を単独攻撃と組み合わせ攻撃に対して改善することができる。
論文 参考訳(メタデータ) (2023-10-23T03:34:05Z) - FT-Shield: A Watermark Against Unauthorized Fine-tuning in Text-to-Image Diffusion Models [64.89896692649589]
テキスト・画像拡散モデルの微調整に適した透かしシステムであるFT-Shieldを提案する。
FT-Shieldは新しい透かしの生成と検出戦略を設計することで著作権保護の課題に対処する。
論文 参考訳(メタデータ) (2023-10-03T19:50:08Z) - Catch You Everything Everywhere: Guarding Textual Inversion via Concept Watermarking [67.60174799881597]
本稿では,透かし情報を対象概念に埋め込んで,その概念に基づいて生成された画像から抽出する新しい概念透かしを提案する。
実際には、コンセプトオーナは、自身のコンセプトを異なる透かし(e, serial number)をプラットフォームにアップロードすることができ、プラットフォームは異なるシリアル番号を、その後の追跡と法医学のために割り当てる。
論文 参考訳(メタデータ) (2023-09-12T03:33:13Z) - T2IW: Joint Text to Image & Watermark Generation [74.20148555503127]
画像と透かし(T2IW)への共同テキスト生成のための新しいタスクを提案する。
このT2IWスキームは、意味的特徴と透かし信号が画素内で互換性を持つように強制することにより、複合画像を生成する際に、画像品質に最小限のダメージを与える。
提案手法により,画像品質,透かしの可視性,透かしの堅牢性などの顕著な成果が得られた。
論文 参考訳(メタデータ) (2023-09-07T16:12:06Z) - ReMark: Receptive Field based Spatial WaterMark Embedding Optimization
using Deep Network [23.357707056321534]
難解な透かしを埋め込むための新しいディープラーニングアーキテクチャについて検討する。
提案手法は, 衝突歪みを含む透かしの一般的な歪みに対して頑健である。
論文 参考訳(メタデータ) (2023-05-11T13:21:29Z) - A Compact Neural Network-based Algorithm for Robust Image Watermarking [30.727227627295548]
Invertible Watermarking Network (IWN) という,コンパクトニューラルネットワークを用いた新しいデジタル画像透かしソリューションを提案する。
我々のIWNアーキテクチャは、単一の可逆ニューラルネットワーク(INN)に基づいている。
電子透かし方式の堅牢性を高めるため,我々は単純だが効果的なビットメッセージ正規化モジュールを導入する。
論文 参考訳(メタデータ) (2021-12-27T03:20:45Z) - 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)
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。