論文の概要: Deep Robust Reversible Watermarking

• arxiv url: http://arxiv.org/abs/2503.02490v1
• Date: Tue, 04 Mar 2025 10:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:17:50.997679
• Title: Deep Robust Reversible Watermarking
• Title（参考訳）: 深いロバストな可逆性透かし
• Authors: Jiale Chen, Wei Wang, Chongyang Shi, Li Dong, Yuanman Li, Xiping Hu,
• Abstract要約: 既存のRobust Reversible Watermarking (RRW) 手法は複雑な設計、高い計算コスト、ロバスト性に直面する。 本稿では,ディープラーニングに基づくRRWスキームであるDeep Robust Reversible Watermarking (DRRW)を提案する。 DRRWはエンコーダ-ノイズ層デコーダフレームワークを使用して、エンドツーエンドのトレーニングを通じて適応的な堅牢性を実現する。
• 参考スコア（独自算出の注目度）: 34.57638608780908
• License:
• Abstract: Robust Reversible Watermarking (RRW) enables perfect recovery of cover images and watermarks in lossless channels while ensuring robust watermark extraction in lossy channels. Existing RRW methods, mostly non-deep learning-based, face complex designs, high computational costs, and poor robustness, limiting their practical use. This paper proposes Deep Robust Reversible Watermarking (DRRW), a deep learning-based RRW scheme. DRRW uses an Integer Invertible Watermark Network (iIWN) to map integer data distributions invertibly, addressing conventional RRW limitations. Unlike traditional RRW, which needs distortion-specific designs, DRRW employs an encoder-noise layer-decoder framework for adaptive robustness via end-to-end training. In inference, cover image and watermark map to an overflowed stego image and latent variables, compressed by arithmetic coding into a bitstream embedded via reversible data hiding for lossless recovery. We introduce an overflow penalty loss to reduce pixel overflow, shortening the auxiliary bitstream while enhancing robustness and stego image quality. An adaptive weight adjustment strategy avoids manual watermark loss weighting, improving training stability and performance. Experiments show DRRW outperforms state-of-the-art RRW methods, boosting robustness and cutting embedding, extraction, and recovery complexities by 55.14\(\times\), 5.95\(\times\), and 3.57\(\times\), respectively. The auxiliary bitstream shrinks by 43.86\(\times\), with reversible embedding succeeding on 16,762 PASCAL VOC 2012 images, advancing practical RRW. DRRW exceeds irreversible robust watermarking in robustness and quality while maintaining reversibility.
• Abstract（参考訳）: ロバスト可逆透かし (RRW) は、損失のないチャネルにおけるカバー画像と透かしの完全な回復を可能にすると同時に、損失のないチャネルにおける堅牢な透かし抽出を確実にする。 既存のRRW法(主に深層学習に基づく)は、複雑な設計、高い計算コスト、ロバスト性に乏しく、実用的使用を制限している。 本稿では,ディープラーニングに基づくRRWスキームであるDeep Robust Reversible Watermarking (DRRW)を提案する。 DRRWは整数データ分布を非可逆的にマッピングするためにInteger Invertible Watermark Network (iIWN) を使用している。 歪み特有の設計を必要とする従来のRRWとは異なり、DRRWはエンコーダ-ノイズ層デコーダフレームワークを使用して、エンドツーエンドのトレーニングを通じて適応的な堅牢性を実現する。 推定では、オーバーフローされたステゴ画像と潜伏変数へのカバー画像と透かしマップを、無損失回復のために可逆データを隠蔽して埋め込んだビットストリームに算術符号で圧縮する。 我々は,画素オーバーフローを低減し,ロバスト性やステゴ画像品質を向上しつつ,補助ビットストリームを短縮するオーバーフローペナルティ損失を導入する。 適応的な重み調整戦略は、手動の透かし損失重み付けを回避し、トレーニングの安定性と性能を改善する。 実験の結果、DRRWは最先端のRRW法よりも優れており、ロバスト性を高め、埋め込み、抽出、回収の複雑さを55.14\(\times\), 5.95\(\times\), 3.57\(\times\)で改善している。 補助ビットストリームは43.86\(\times\)縮小し、可逆埋め込みは16,762 PASCAL VOC 2012画像に成功し、実用的なRRWが進歩した。 DRRWは可逆性を維持しながら、堅牢性と品質において不可逆的な堅牢な透かしを超えている。

関連論文リスト

• 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)
• AdaRevD: Adaptive Patch Exiting Reversible Decoder Pushes the Limit of Image Deblurring [14.101870441572618]
  本稿では,Adaptive Patch Exiting Reversible Decoder (AdaRevD)を提案する。 我々の可逆構造は、徐々に高レベルの劣化度と低レベルのぼかしパターンを分解する。 実験によると、AdaRevDはGoProデータセット上のPSNRで34.60dBを達成したため、画像の劣化の限界を押し上げている。
  論文  参考訳（メタデータ） (2024-06-13T14:06:12Z)
• DDR: Exploiting Deep Degradation Response as Flexible Image Descriptor [54.90762380689283]
  本稿では, 劣化条件の異なる画像深部特徴の変化を定量化するDDRについて述べる。 画像記述子としてのDDRの汎用性は,キー画像属性と強い相関関係がみられた。 DDRは、画像復元作業において効果的な教師なし学習目標として機能し、画像の劣化と単一画像の超解像において顕著な進歩をもたらす。
  論文  参考訳（メタデータ） (2024-06-12T16:26:56Z)
• Beware of Aliases -- Signal Preservation is Crucial for Robust Image Restoration [20.607361871965157]
  現状の復元変圧器におけるエイリアスフリーパスを簡易に提供することで、復元性能の低コストでモデルロバスト性を向上させることができることを示す。 本稿では,変換器をベースとした画像復元モデルBOA-Restormerを提案する。このモデルでは,周波数領域の一部でダウンサンプリングとアップサンプリングを行い,モデル全体のエイリアスフリーパスを確保するとともに,関連するすべての高周波情報を保存することができる。
  論文  参考訳（メタデータ） (2024-06-11T16:42:17Z)
• LIR: A Lightweight Baseline for Image Restoration [4.187190284830909]
  画像復元作業の本質的な特徴は、多くの作品で見落とされがちである。 LIRと呼ばれる画像復元のための軽量ベースラインネットワークを提案し、画像の効率よく復元し、劣化を除去する。 我々のLIRは、Pak Signal-to-Noise Ratio (PSNR)における最先端構造類似度指標(SSIM)および最先端モデルに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2024-02-02T12:39:47Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Wide Flat Minimum Watermarking for Robust Ownership Verification of GANs [23.639074918667625]
  ホワイトボックス攻撃に対するロバスト性を向上したGANのための新しいマルチビット・ボックスフリー透かし手法を提案する。 透かしは、GANトレーニング中に余分な透かし損失項を追加することで埋め込む。 その結果,透かしの存在が画像の品質に与える影響は無視できることがわかった。
  論文  参考訳（メタデータ） (2023-10-25T18:38:10Z)
• Knowledge Distillation based Degradation Estimation for Blind Super-Resolution [146.0988597062618]
  Blind画像超解像(Blind-SR)は、対応する低解像度(LR)入力画像から高解像度(HR)画像を未知の劣化で復元することを目的としている。 劣化推定器のトレーニングを監督するために、複数の劣化組合せの具体的なラベルを提供することは不可能である。 本稿では,知識蒸留に基づく暗黙劣化推定ネットワーク(KD-IDE)と効率的なSRネットワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T11:59:07Z)
• Progressively Guided Alternate Refinement Network for RGB-D Salient Object Detection [63.18846475183332]
  我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。 そこで本研究では,改良のための改良ネットワークを提案する。 我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2020-08-17T02:55:06Z)
• Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
  劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。 NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。 CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-17T17:56:22Z)

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。