論文の概要: SuperMark: Robust and Training-free Image Watermarking via Diffusion-based Super-Resolution

• arxiv url: http://arxiv.org/abs/2412.10049v1
• Date: Fri, 13 Dec 2024 11:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:02:42.564258
• Title: SuperMark: Robust and Training-free Image Watermarking via Diffusion-based Super-Resolution
• Title（参考訳）: SuperMark: 拡散に基づく超解法によるロバストでトレーニング不要の画像透かし
• Authors: Runyi Hu, Jie Zhang, Yiming Li, Jiwei Li, Qing Guo, Han Qiu, Tianwei Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.345134138673945
• License:
• Abstract: In today's digital landscape, the blending of AI-generated and authentic content has underscored the need for copyright protection and content authentication. Watermarking has become a vital tool to address these challenges, safeguarding both generated and real content. Effective watermarking methods must withstand various distortions and attacks. Current deep watermarking techniques often use an encoder-noise layer-decoder architecture and include distortions to enhance robustness. However, they struggle to balance robustness and fidelity and remain vulnerable to adaptive attacks, despite extensive training. To overcome these limitations, we propose SuperMark, a robust, training-free watermarking framework. Inspired by the parallels between watermark embedding/extraction in watermarking and the denoising/noising processes in diffusion models, SuperMark embeds the watermark into initial Gaussian noise using existing techniques. It then applies pre-trained Super-Resolution (SR) models to denoise the watermarked noise, producing the final watermarked image. For extraction, the process is reversed: the watermarked image is inverted back to the initial watermarked noise via DDIM Inversion, from which the embedded watermark is extracted. This flexible framework supports various noise injection methods and diffusion-based SR models, enabling enhanced customization. The robustness of the DDIM Inversion process against perturbations allows SuperMark to achieve strong resilience to distortions while maintaining high fidelity. Experiments demonstrate that SuperMark achieves fidelity comparable to existing methods while significantly improving robustness. Under standard distortions, it achieves an average watermark extraction accuracy of 99.46%, and 89.29% under adaptive attacks. Moreover, SuperMark shows strong transferability across datasets, SR models, embedding methods, and resolutions.
• Abstract（参考訳）: 今日のデジタルランドスケープでは、AI生成コンテンツと認証コンテンツの混在は、著作権保護とコンテンツ認証の必要性を暗示している。 ウォーターマーキングはこれらの課題に対処するための重要なツールとなり、生成されたコンテンツと実際のコンテンツの両方を保護する。 効果的な透かし法は様々な歪みや攻撃に耐えなければならない。 現在のディープウォーターマーキング技術は、エンコーダノイズ層デコーダアーキテクチャを使用し、ロバスト性を高めるために歪みを含むことが多い。 しかし、彼らは頑丈さと忠実さのバランスをとるのに苦労し、広範囲の訓練にもかかわらず適応攻撃に弱いままである。 これらの制限を克服するために、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。 透かしにおける透かしの埋め込み/抽出と拡散モデルにおける denoising/noising process の並列性にインスパイアされたSuperMarkは、透かしを既存の手法を用いて初期ガウスノイズに埋め込む。 次に、事前訓練された超解像(SR)モデルを適用して、透かしのあるノイズを消音し、最終的な透かし画像を生成する。 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。 このフレキシブルなフレームワークは、様々なノイズ注入法と拡散ベースSRモデルをサポートし、カスタマイズの強化を可能にしている。 DDIMの摂動に対する反転過程の堅牢性により、SuperMarkは高い忠実性を維持しながら歪みに対する強い弾力性を達成することができる。 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。 標準的な歪みの下では、平均的な透かし抽出精度は99.46%、適応攻撃では89.29%に達する。 さらに、SuperMarkはデータセット、SRモデル、埋め込みメソッド、解像度間で強力な転送可能性を示している。

関連論文リスト

• ROBIN: Robust and Invisible Watermarks for Diffusion Models with Adversarial Optimization [15.570148419846175]
  既存の透かし手法は、堅牢性と隠蔽のバランスをとるという課題に直面している。 本稿では, 透かしを積極的に隠蔽し, より強力な透かしの埋め込みを可能にするための透かし隠蔽法を提案する。 様々な拡散モデルの実験では、画像改ざんであっても透かしが検証可能であることが示されている。
  論文  参考訳（メタデータ） (2024-11-06T12:14:23Z)
• Robust Watermarking Using Generative Priors Against Image Editing: From Benchmarking to Advances [13.746887960091112]
  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。
  論文  参考訳（メタデータ） (2024-10-24T14:28:32Z)
• Image Watermarks are Removable Using Controllable Regeneration from Clean Noise [26.09012436917272]
  透かし技法の重要な特徴は、様々な操作に対する頑丈さである。 アート透かし技術の現状を効果的に無効化できる透かし除去手法を提案する。
  論文  参考訳（メタデータ） (2024-10-07T20:04:29Z)
• 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)
• A Training-Free Plug-and-Play Watermark Framework for Stable Diffusion [47.97443554073836]
  既存のアプローチには、トレーサビリティと責任帰属のために生成されたイメージに透かしを埋め込むためのトレーニングコンポーネントやSD全体が含まれる。 AI生成コンテンツ(AIGC)の時代において、SDの迅速なイテレーションは、ウォーターマークモデルによる再トレーニングをコストがかかる。 SDのためのトレーニング不要なプラグアンドプレイ透かしフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-08T15:29:46Z)
• Gaussian Shading: Provable Performance-Lossless Image Watermarking for Diffusion Models [71.13610023354967]
  著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。 本研究では,性能ロスレスかつトレーニング不要な拡散モデル透かし手法を提案する。
  論文  参考訳（メタデータ） (2024-04-07T13:30:10Z)
• Latent Watermark: Inject and Detect Watermarks in Latent Diffusion Space [7.082806239644562]
  既存の手法は、画質と透かしの堅牢性のジレンマに直面している。 画像品質の優れた透かしは通常、ぼやけやJPEG圧縮のような攻撃に対して弱い堅牢性を持つ。 本稿では,潜伏拡散空間内の透かしを注入し,検出する潜伏透かしを提案する。
  論文  参考訳（メタデータ） (2024-03-30T03:19:50Z)
• 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)
• ClearMark: Intuitive and Robust Model Watermarking via Transposed Model Training [50.77001916246691]
  本稿では,人間の直感的な評価を目的とした最初のDNN透かし手法であるClearMarkを紹介する。 ClearMarkは目に見える透かしを埋め込んで、厳格な値閾値なしで人間の意思決定を可能にする。 8,544ビットの透かし容量は、現存する最強の作品に匹敵する。
  論文  参考訳（メタデータ） (2023-10-25T08:16:55Z)
• 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。