論文の概要: Robust Watermarking Using Generative Priors Against Image Editing: From Benchmarking to Advances
- arxiv url: http://arxiv.org/abs/2410.18775v1
- Date: Thu, 24 Oct 2024 14:28:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-25 12:51:36.917006
- Title: Robust Watermarking Using Generative Priors Against Image Editing: From Benchmarking to Advances
- Title（参考訳）: 画像編集に対する生成優先事項を用いたロバストなウォーターマーキング:ベンチマークから進歩へ
- Authors: Shilin Lu, Zihan Zhou, Jiayou Lu, Yuanzhi Zhu, Adams Wai-Kin Kong,
- Abstract要約: 大規模なテキスト・ツー・イメージモデルは、編集中に埋め込まれた透かしを歪め、著作権保護に挑戦する。
We introduced W-Bench, a first comprehensive benchmark designed to evaluate the robustness of watermarking method。
本稿では,様々な画像編集技術に対するロバスト性を大幅に向上させる透かし手法であるVINEを提案する。
- 参考スコア（独自算出の注目度）: 13.746887960091112
- License:
- Abstract: Current image watermarking methods are vulnerable to advanced image editing techniques enabled by large-scale text-to-image models. These models can distort embedded watermarks during editing, posing significant challenges to copyright protection. In this work, we introduce W-Bench, the first comprehensive benchmark designed to evaluate the robustness of watermarking methods against a wide range of image editing techniques, including image regeneration, global editing, local editing, and image-to-video generation. Through extensive evaluations of eleven representative watermarking methods against prevalent editing techniques, we demonstrate that most methods fail to detect watermarks after such edits. To address this limitation, we propose VINE, a watermarking method that significantly enhances robustness against various image editing techniques while maintaining high image quality. Our approach involves two key innovations: (1) we analyze the frequency characteristics of image editing and identify that blurring distortions exhibit similar frequency properties, which allows us to use them as surrogate attacks during training to bolster watermark robustness; (2) we leverage a large-scale pretrained diffusion model SDXL-Turbo, adapting it for the watermarking task to achieve more imperceptible and robust watermark embedding. Experimental results show that our method achieves outstanding watermarking performance under various image editing techniques, outperforming existing methods in both image quality and robustness. Code is available at https://github.com/Shilin-LU/VINE.
- Abstract（参考訳）: 現在の画像透かし法は、大規模テキスト・画像モデルによって実現された高度な画像編集技術に弱い。
これらのモデルは編集中に埋め込まれた透かしを歪め、著作権保護に重大な課題を生じさせる。
本研究では,画像再生,グローバル編集,局所編集,画像-映像生成など,幅広い画像編集技術に対する透かし手法の堅牢性を評価するために設計された,最初の総合ベンチマークであるW-Benchを紹介する。
一般的な編集手法と比較して,11種類の透かし手法を広範囲に評価することにより,ほとんどの方法は編集後の透かし検出に失敗することを示した。
この制限に対処するため,画像品質を維持しつつ,様々な画像編集技術に対するロバスト性を大幅に向上させる透かし手法であるVINEを提案する。
提案手法は, 画像編集の周波数特性を分析し, ぼやけた歪みが類似の周波数特性を示すことを確認し, トレーニング中のサロゲート攻撃として使用して透かしの堅牢性を高めること, 2) 大規模な事前学習拡散モデルSDXL-Turboを活用し, 透かしタスクに適応することで, より知覚不能で堅牢な透かし埋め込みを実現する。
実験の結果,様々な画像編集手法で優れた透かし性能を実現し,画像品質とロバスト性の両方において既存手法よりも優れた性能を示した。
コードはhttps://github.com/Shilin-LU/VINE.comで入手できる。
関連論文リスト
- Certifiably Robust Image Watermark [57.546016845801134]
ジェネレーティブAIは、偽情報やプロパガンダキャンペーンの促進など、多くの社会的懸念を提起する。
ウォーターマークAI生成コンテンツは、これらの懸念に対処するための重要な技術である。
本報告では, 除去・偽造攻撃に対するロバスト性保証を保証した最初の画像透かしを提案する。
論文 参考訳（メタデータ） (2024-07-04T17:56:04Z) - 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) - Robust-Wide: Robust Watermarking against Instruction-driven Image Editing [21.69779516621288]
悪意のあるユーザーは、命令駆動の画像編集を利用して偽画像を作成することができる。
本稿では,命令駆動画像編集に対する最初の堅牢な透かし手法であるRobust-Wideを提案する。
実験により、ロバスト・ウェイドは編集画像から効果的に透かしを抽出でき、ビット誤り率は2.6%近くであることが示された。
論文 参考訳（メタデータ） (2024-02-20T03:33:54Z) - RAW: A Robust and Agile Plug-and-Play Watermark Framework for AI-Generated Images with Provable Guarantees [33.61946642460661]
本稿ではRAWと呼ばれる堅牢でアジャイルな透かし検出フレームワークを紹介する。
我々は、透かしの存在を検出するために、透かしと共同で訓練された分類器を用いる。
このフレームワークは,透かし画像の誤分類に対する偽陽性率に関する証明可能な保証を提供する。
論文 参考訳（メタデータ） (2024-01-23T22:00:49Z) - 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) - 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) - 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) - Adaptive Blind Watermarking Using Psychovisual Image Features [8.75217589103206]
本稿では,カバー画像の異なる部分に埋め込まれた透かしの強度を適応的に決定する手法を提案する。
また, 提案手法は, 異なる種類の共通透かし攻撃において, 組込みペイロードを効果的に再構築できることを示す。
論文 参考訳（メタデータ） (2022-12-25T06:33:36Z) - 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) - Fine-tuning Is Not Enough: A Simple yet Effective Watermark Removal
Attack for DNN Models [72.9364216776529]
我々は異なる視点から新しい透かし除去攻撃を提案する。
我々は、知覚不可能なパターン埋め込みと空間レベルの変換を組み合わせることで、単純だが強力な変換アルゴリズムを設計する。
我々の攻撃は、非常に高い成功率で最先端の透かしソリューションを回避できる。
論文 参考訳（メタデータ） (2020-09-18T09:14:54Z)
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。