Fugu-MT 論文翻訳(概要): Mask Image Watermarking

論文の概要: Mask Image Watermarking

arxiv url: http://arxiv.org/abs/2504.12739v1
Date: Thu, 17 Apr 2025 08:29:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-18 14:36:54.758226
Title: Mask Image Watermarking
Title（参考訳）: マスク画像透かし
Authors: Runyi Hu, Jie Zhang, Shiqian Zhao, Nils Lukas, Jiwei Li, Qing Guo, Han Qiu, Tianwei Zhang,
Abstract要約: MaskMarkは、画像透かしのためのシンプルで効率的で柔軟なフレームワークである。 MaskMarkには、MaskMark-DとMaskMark-EDの2つのバリエーションがある。 MaskMarkは、グローバルな透かし抽出、局所透かし抽出、透かし局所化、マルチ透かし埋め込みにおいて最先端の性能を達成する。
参考スコア（独自算出の注目度）: 25.351343553146002
License:
Abstract: We present MaskMark, a simple, efficient and flexible framework for image watermarking. MaskMark has two variants: MaskMark-D, which supports global watermark embedding, watermark localization, and local watermark extraction for applications such as tamper detection, and MaskMark-ED, which focuses on local watermark embedding and extraction with enhanced robustness in small regions, enabling localized image protection. Built upon the classical Encoder- Distortion-Decoder training paradigm, MaskMark-D introduces a simple masking mechanism during the decoding stage to support both global and local watermark extraction. A mask is applied to the watermarked image before extraction, allowing the decoder to focus on selected regions and learn local extraction. A localization module is also integrated into the decoder to identify watermark regions during inference, reducing interference from irrelevant content and improving accuracy. MaskMark-ED extends this design by incorporating the mask into the encoding stage as well, guiding the encoder to embed the watermark in designated local regions for enhanced robustness. Comprehensive experiments show that MaskMark achieves state-of-the-art performance in global watermark extraction, local watermark extraction, watermark localization, and multi-watermark embedding. It outperforms all existing baselines, including the recent leading model WAM for local watermarking, while preserving high visual quality of the watermarked images. MaskMark is also flexible, by adjusting the distortion layer, it can adapt to different robustness requirements with just a few steps of fine-tuning. Moreover, our approach is efficient and easy to optimize, requiring only 20 hours on a single A6000 GPU with just 1/15 the computational cost of WAM.
Abstract（参考訳）: MaskMarkは画像透かしのためのシンプルで効率的で柔軟なフレームワークである。 MaskMark-Dはグローバルな透かし埋め込み、透かしローカライゼーション、タンパー検出などのアプリケーションのためのローカル透かし抽出をサポートする。古典的なEncoder-Distortion-Decoderトレーニングパラダイムに基づいて構築されたMaskMark-Dは、デコード期間中に、グローバルおよびローカルな透かし抽出をサポートするシンプルなマスキング機構を導入する。マスクは抽出前に透かし画像に適用され、デコーダは選択した領域に集中して局所抽出を学ぶことができる。ローカライゼーションモジュールもデコーダに統合され、推論中の透かし領域を識別し、無関係なコンテンツからの干渉を低減し、精度を向上させる。 MaskMark-EDは、マスクをエンコードステージに組み込むことによって、この設計を拡張し、エンコーダに指定されたローカルリージョンに透かしを埋め込むように誘導し、堅牢性を高める。総合的な実験により、MaskMarkは、グローバルな透かし抽出、局所透かし抽出、透かし局在化、マルチ透かし埋め込みにおいて最先端の性能を達成することが示された。透かし画像の高画質を保ちながら、局所的な透かしのための最近の先行モデルWAMなど、既存のベースラインを上回ります。 MaskMarkもフレキシブルで、歪み層を調整することで、微調整のほんの数ステップで、さまざまな堅牢性要件に適応できる。さらに、我々のアプローチは効率的で、最適化が容易で、単一のA6000 GPUで20時間しか必要とせず、WAMの計算コストはたった1/15である。

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)
FreqMark: Invisible Image Watermarking via Frequency Based Optimization in Latent Space [16.022981250876942]
既存の透かし法は再生攻撃に対する堅牢性に乏しい。 FreqMarkは、画像の潜時周波数空間を最適化して透かしを埋め込み、事前訓練された画像エンコーダを通じて透かしを抽出する。
論文参考訳（メタデータ） (2024-10-28T08:23:56Z)
ESpeW: Robust Copyright Protection for LLM-based EaaS via Embedding-Specific Watermark [50.08021440235581]
組み込み・アズ・ア・サービス(Eding)はAIアプリケーションにおいて重要な役割を担っている。編集はモデル抽出攻撃に対して脆弱であり、著作権保護の緊急の必要性を強調している。そこで我々は,Edingの著作権保護を堅牢にするための新しい埋め込み専用透かし (ESpeW) 機構を提案する。
論文参考訳（メタデータ） (2024-10-23T04:34:49Z)
Beyond Dataset Watermarking: Model-Level Copyright Protection for Code Summarization Models [37.817691840557984]
CSMは、許可されていないユーザによる搾取のリスクに直面します。伝統的な透かし法はトリガーと透かしの特徴を別々に設計する必要がある。モデルレベルの新しい電子透かし埋め込み方式であるModMarkを提案する。
論文参考訳（メタデータ） (2024-10-18T00:48:00Z)
De-mark: Watermark Removal in Large Language Models [59.00698153097887]
我々は、n-gramベースの透かしを効果的に除去するために設計された高度なフレームワークであるDe-markを紹介する。提案手法は,透かしの強度を評価するために,ランダム選択探索と呼ばれる新しいクエリ手法を利用する。
論文参考訳（メタデータ） (2024-10-17T17:42:10Z)
AMUSE: Adaptive Multi-Segment Encoding for Dataset Watermarking [12.2352706636564]
透かし技術は、所有情報(すなわち透かし)を個々の画像サンプルに格納するために用いられる。透かし全体をすべてのサンプルに埋め込むと、埋め込まれた情報にかなりの冗長性が生じる。データセット透かしのためのマルチセグメント符号化復号法(AMUSE)を提案する。次に、デコーダを使用して、抽出したサブメッセージから元のメッセージを再構築する。
論文参考訳（メタデータ） (2024-03-08T19:02:21Z)
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)
An Unforgeable Publicly Verifiable Watermark for Large Language Models [84.2805275589553]
現在の透かし検出アルゴリズムは、透かし生成プロセスで使用される秘密鍵を必要としており、公開検出中にセキュリティ違反や偽造の影響を受ける。両段階で同じキーを使用するのではなく、2つの異なるニューラルネットワークを用いて透かしの生成と検出を行う。
論文参考訳（メタデータ） (2023-07-30T13:43:27Z)
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)
Split then Refine: Stacked Attention-guided ResUNets for Blind Single Image Visible Watermark Removal [69.92767260794628]
従来の透かし除去方法は,ユーザから透かしの位置を取得したり,マルチタスクネットワークをトレーニングして,背景を無差別に復元する必要があった。本稿では,注目誘導型ResUNetsを積み重ねた新しい2段階フレームワークを提案し,検出・除去・精錬の過程をシミュレートする。様々な条件下で4つの異なるデータセット上でアルゴリズムを広範囲に評価し,その手法が他の最先端手法をはるかに上回っていることを示す実験を行った。
論文参考訳（メタデータ） (2020-12-13T09:05:37Z)

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。