論文の概要: InvisMark: Invisible and Robust Watermarking for AI-generated Image Provenance

• arxiv url: http://arxiv.org/abs/2411.07795v1
• Date: Sun, 10 Nov 2024 16:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:17:39.952750
• Title: InvisMark: Invisible and Robust Watermarking for AI-generated Image Provenance
• Title（参考訳）: InvisMark:AI生成画像の可視性とロバストな透かし
• Authors: Rui Xu, Mengya, Hu, Deren Lei, Yaxi Li, David Lowe, Alex Gorevski, Mingyu Wang, Emily Ching, Alex Deng,
• Abstract要約: InvisMarkは、高解像度のAI生成画像のために設計された新しい透かし技術である。 InvisMarkは、非許容で最先端のパフォーマンスを達成する。 我々は、高度な攻撃に対する潜在的な脆弱性に対処し、緩和戦略を提案する。
• 参考スコア（独自算出の注目度）: 9.83442556907563
• License:
• Abstract: The proliferation of AI-generated images has intensified the need for robust content authentication methods. We present InvisMark, a novel watermarking technique designed for high-resolution AI-generated images. Our approach leverages advanced neural network architectures and training strategies to embed imperceptible yet highly robust watermarks. InvisMark achieves state-of-the-art performance in imperceptibility (PSNR$\sim$51, SSIM $\sim$ 0.998) while maintaining over 97\% bit accuracy across various image manipulations. Notably, we demonstrate the successful encoding of 256-bit watermarks, significantly expanding payload capacity while preserving image quality. This enables the embedding of UUIDs with error correction codes, achieving near-perfect decoding success rates even under challenging image distortions. We also address potential vulnerabilities against advanced attacks and propose mitigation strategies. By combining high imperceptibility, extended payload capacity, and resilience to manipulations, InvisMark provides a robust foundation for ensuring media provenance in an era of increasingly sophisticated AI-generated content. Source code of this paper is available at: https://github.com/microsoft/InvisMark.
• Abstract（参考訳）: AI生成画像の拡散により、堅牢なコンテンツ認証方法の必要性が高まっている。 InvisMarkは高解像度AI生成画像のための新しい透かし技術である。 我々のアプローチは、先進的なニューラルネットワークアーキテクチャとトレーニング戦略を活用して、受け入れがたいが非常に堅牢な透かしを埋め込む。 InvisMarkは、様々な画像操作において97\%以上のビット精度を維持しながら、最先端の非認識性能(PSNR$\sim$51, SSIM $\sim$0.998)を達成する。 特に、256ビットの透かしの符号化が成功し、画像品質を保ちながらペイロード容量を大幅に拡大した。 これにより、誤り訂正符号によるUUIDの埋め込みが可能となり、難解な画像歪みであっても、ほぼ完全な復号化の成功率を達成することができる。 また、高度な攻撃に対する潜在的な脆弱性に対処し、緩和戦略を提案する。 高い認識能力、拡張ペイロード容量、操作に対するレジリエンスを組み合わせることで、InvisMarkは、より高度なAI生成コンテンツの時代におけるメディアの証明を保証する、堅牢な基盤を提供する。 この論文のソースコードは、https://github.com/microsoft/InvisMark.comで公開されている。

関連論文リスト

• Social Media Authentication and Combating Deepfakes using Semi-fragile Invisible Image Watermarking [6.246098300155482]
  本稿では,メディア認証のために,見えない秘密メッセージを実画像に埋め込む半フレジブルな画像透かし手法を提案する。 提案するフレームワークは,顔の操作や改ざんに対して脆弱であると同時に,画像処理操作や透かし除去攻撃に対して頑健であるように設計されている。
  論文  参考訳（メタデータ） (2024-10-02T18:05:03Z)
• 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)
• 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)
• Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
  高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。 安全で堅牢なバックドア型透かし注入法を提案する。 我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
  論文  参考訳（メタデータ） (2023-09-04T19:58:35Z)
• Invisible Image Watermarks Are Provably Removable Using Generative AI [47.25747266531665]
  Invisibleの透かしは、所有者によってのみ検出可能な隠されたメッセージを埋め込むことで、画像の著作権を保護する。 我々は、これらの見えない透かしを取り除くために、再生攻撃のファミリーを提案する。 提案手法は,まず画像にランダムノイズを加えて透かしを破壊し,画像を再構成する。
  論文  参考訳（メタデータ） (2023-06-02T23:29:28Z)
• Evading Watermark based Detection of AI-Generated Content [45.47476727209842]
  生成AIモデルは、非常に現実的なコンテンツを生成することができる。 WatermarkはAI生成コンテンツの検出に活用されている。 類似の透かしをデコードできれば、コンテンツはAI生成として検出される。
  論文  参考訳（メタデータ） (2023-05-05T19:20:29Z)
• 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)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)
• 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)

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。