論文の概要: OmniGuard: Hybrid Manipulation Localization via Augmented Versatile Deep Image Watermarking
- arxiv url: http://arxiv.org/abs/2412.01615v2
- Date: Sat, 01 Mar 2025 08:23:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-04 16:09:30.623879
- Title: OmniGuard: Hybrid Manipulation Localization via Augmented Versatile Deep Image Watermarking
- Title（参考訳）: OmniGuard: 改良されたVersatile Deep Image Watermarkingによるハイブリッドマニピュレーションのローカライゼーション
- Authors: Xuanyu Zhang, Zecheng Tang, Zhipei Xu, Runyi Li, Youmin Xu, Bin Chen, Feng Gao, Jian Zhang,
- Abstract要約: 既存の多用途透かしアプローチは、タンパーの局所化精度と視覚的品質のトレードオフに悩まされている。
オムニガード(OmniGuard)は、能動的埋め込みと受動的、視覚的抽出を統合した新しい多目的透かし手法である。
コンテナ画像のPSNRは4.25dB、ノイズ条件ではF1スコアは20.7%、平均ビット精度は14.8%である。
- 参考スコア（独自算出の注目度）: 20.662260046296897
- License:
- Abstract: With the rapid growth of generative AI and its widespread application in image editing, new risks have emerged regarding the authenticity and integrity of digital content. Existing versatile watermarking approaches suffer from trade-offs between tamper localization precision and visual quality. Constrained by the limited flexibility of previous framework, their localized watermark must remain fixed across all images. Under AIGC-editing, their copyright extraction accuracy is also unsatisfactory. To address these challenges, we propose OmniGuard, a novel augmented versatile watermarking approach that integrates proactive embedding with passive, blind extraction for robust copyright protection and tamper localization. OmniGuard employs a hybrid forensic framework that enables flexible localization watermark selection and introduces a degradation-aware tamper extraction network for precise localization under challenging conditions. Additionally, a lightweight AIGC-editing simulation layer is designed to enhance robustness across global and local editing. Extensive experiments show that OmniGuard achieves superior fidelity, robustness, and flexibility. Compared to the recent state-of-the-art approach EditGuard, our method outperforms it by 4.25dB in PSNR of the container image, 20.7% in F1-Score under noisy conditions, and 14.8% in average bit accuracy.
- Abstract（参考訳）: 生成AIの急速な成長と画像編集への応用により、デジタルコンテンツの信頼性と完全性に関する新たなリスクが生まれている。
既存の多用途透かしアプローチは、タンパーの局所化精度と視覚的品質のトレードオフに悩まされている。
以前のフレームワークの柔軟性が制限されていたため、ローカライズされた透かしはすべての画像で固定されなければならない。
AIGC編集の下では、著作権の抽出精度も満足できない。
これらの課題に対処するため,我々は,プロアクティブな埋め込みとパッシブなブラインド抽出を統合し,ロバストな著作権保護とタンパローカライゼーションを実現する,新しい多目的透かし手法であるOmniGuardを提案する。
OmniGuardは、フレキシブルなローカライゼーション・ウォーターマーク選択を可能にするハイブリッドな法医学フレームワークを採用し、困難な条件下で正確なローカライゼーションを行うための劣化認識型タンパー抽出ネットワークを導入している。
さらに、軽量なAIGC編集シミュレーションレイヤは、グローバルおよびローカル編集における堅牢性を高めるように設計されている。
大規模な実験は、OmniGuardが優れた忠実さ、堅牢性、柔軟性を達成することを示している。
最近の最先端アプローチであるEditGuardと比較して、コンテナイメージのPSNRでは4.25dB、ノイズ条件ではF1スコアでは20.7%、平均ビット精度では14.8%でパフォーマンスが向上した。
関連論文リスト
- SWA-LDM: Toward Stealthy Watermarks for Latent Diffusion Models [11.906245347904289]
埋め込みプロセスのランダム化によって透かしを強化する新しい手法であるSWA-LDMを紹介する。
提案する透かし攻撃は,既存の潜水式透かし法の本質的脆弱性を明らかにする。
この研究は、LDM生成画像の不正使用に対する保護に向けた重要なステップである。
論文 参考訳（メタデータ） (2025-02-14T16:55:45Z) - SuperMark: Robust and Training-free Image Watermarking via Diffusion-based Super-Resolution [27.345134138673945]
我々は、堅牢でトレーニング不要な透かしフレームワークであるSuperMarkを提案する。
SuperMarkは既存の手法を使って初期ガウスノイズに透かしを埋め込む。
次に、トレーニング済みの超解像モデルを適用して、透かしのノイズを消音し、最終的な透かしの画像を生成する。
抽出には、透かし画像がDDIM変換により初期透かしノイズに逆戻りされ、埋め込み透かしが抽出される。
実験により、SuperMarkは既存のメソッドに匹敵する忠実性を達成し、ロバスト性を大幅に改善した。
論文 参考訳（メタデータ） (2024-12-13T11:20:59Z) - Towards Effective User Attribution for Latent Diffusion Models via Watermark-Informed Blending [54.26862913139299]
我々は、ウォーターマークインフォームドブレンディング(TEAWIB)による潜伏拡散モデルに対する効果的なユーザ属性に向けた新しいフレームワークを提案する。
TEAWIBは、ユーザ固有の透かしを生成モデルにシームレスに統合する、ユニークな準備可能な構成アプローチを取り入れている。
TEAWIBの有効性を検証し、知覚的品質と帰属精度で最先端の性能を示す実験を行った。
論文 参考訳（メタデータ） (2024-09-17T07:52:09Z) - Safe-SD: Safe and Traceable Stable Diffusion with Text Prompt Trigger for Invisible Generative Watermarking [20.320229647850017]
安定拡散(SD)モデルは一般的に画像合成とパーソナライズされた編集の分野で栄えている。
AIが作成したコンテンツを公開プラットフォームに公開することで、法的および倫理的リスクが高まる可能性がある。
本研究では,透かしを認識不能な構造に適応させる,安全かつ高追従性安定拡散フレームワーク(SafeSD)を提案する。
論文 参考訳（メタデータ） (2024-07-18T05:53:17Z) - 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) - Diffusion-Based Hierarchical Image Steganography [60.69791384893602]
Hierarchical Image Steganographyは、複数のイメージを単一のコンテナに埋め込むセキュリティとキャパシティを高める新しい方法である。
フローモデルの可逆性とともに拡散モデルの堅牢性を利用する。
この革新的な構造は、コンテナイメージを自律的に生成し、複数の画像やテキストを安全かつ効率的に隠蔽することができる。
論文 参考訳（メタデータ） (2024-05-19T11:29:52Z) - EditGuard: Versatile Image Watermarking for Tamper Localization and
Copyright Protection [19.140822655858873]
著作権保護とタンパー非依存のローカライゼーションを統合するために,プロアクティブな法医学フレームワークEditGuardを提案する。
認識不能な透かしを巧妙に埋め込み、改ざんされた領域と著作権情報の正確な復号を行うことができる。
実験により, EditGuardは, 様々なAIGCに基づく改ざん手法に対して, 改ざん精度, 著作権回復精度, 一般化可能性のバランスをとることを示した。
論文 参考訳（メタデータ） (2023-12-12T15:41:24Z) - 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) - WMFormer++: Nested Transformer for Visible Watermark Removal via Implict
Joint Learning [68.00975867932331]
既存の透かし除去法は主にタスク固有のデコーダブランチを持つUNetに依存している。
両分野の情報を包括的に統合するために,暗黙的な共同学習パラダイムを導入する。
その結果、既存の最先端手法をはるかに上回る、我々のアプローチの顕著な優位性を示した。
論文 参考訳（メタデータ） (2023-08-20T07:56:34Z) - WSMN: An optimized multipurpose blind watermarking in Shearlet domain
using MLP and NSGA-II [8.526086056172272]
本稿では、NSGA-IIを含むスマートアルゴリズムを用いて、シャーレット領域における多目的ブラインド透かしを最適化する。
この方法では、ロバストな著作権ロゴの4つのコピーをシャーレットの近似係数に埋め込む。
ニューラルネットワークにより、詳細から半フランジ認証マークとしての埋め込みランダム埋め込みシーケンスを効果的に抽出する。
論文 参考訳（メタデータ） (2020-05-07T11:14:46Z)
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。