Fugu-MT 論文翻訳(概要): Sim-to-Real: An Unsupervised Noise Layer for Screen-Camera Watermarking Robustness

論文の概要: Sim-to-Real: An Unsupervised Noise Layer for Screen-Camera Watermarking Robustness

arxiv url: http://arxiv.org/abs/2504.18906v1
Date: Sat, 26 Apr 2025 12:42:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.039768
Title: Sim-to-Real: An Unsupervised Noise Layer for Screen-Camera Watermarking Robustness
Title（参考訳）: Sim-to-Real:スクリーンカメラ透かしロバストネスのための教師なしノイズ層
Authors: Yufeng Wu, Xin Liao, Baowei Wang, Han Fang, Xiaoshuai Wu, Guiling Wang,
Abstract要約: 無許可のスクリーンキャプチャと拡散は深刻なセキュリティ上の脅威を引き起こす。シミュレーションと現実のギャップを埋めるためのシミュレーション・トゥ・リアル(S2R)を提案する。
参考スコア（独自算出の注目度）: 19.3977978738945
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unauthorized screen capturing and dissemination pose severe security threats such as data leakage and information theft. Several studies propose robust watermarking methods to track the copyright of Screen-Camera (SC) images, facilitating post-hoc certification against infringement. These techniques typically employ heuristic mathematical modeling or supervised neural network fitting as the noise layer, to enhance watermarking robustness against SC. However, both strategies cannot fundamentally achieve an effective approximation of SC noise. Mathematical simulation suffers from biased approximations due to the incomplete decomposition of the noise and the absence of interdependence among the noise components. Supervised networks require paired data to train the noise-fitting model, and it is difficult for the model to learn all the features of the noise. To address the above issues, we propose Simulation-to-Real (S2R). Specifically, an unsupervised noise layer employs unpaired data to learn the discrepancy between the modeling simulated noise distribution and the real-world SC noise distribution, rather than directly learning the mapping from sharp images to real-world images. Learning this transformation from simulation to reality is inherently simpler, as it primarily involves bridging the gap in noise distributions, instead of the complex task of reconstructing fine-grained image details. Extensive experimental results validate the efficacy of the proposed method, demonstrating superior watermark robustness and generalization compared to those of state-of-the-art methods.
Abstract（参考訳）: 不正なスクリーンキャプチャと拡散は、データ漏洩や情報盗難といった深刻なセキュリティ上の脅威を引き起こす。いくつかの研究は、スクリーンカメラ(SC)画像の著作権を追跡するための堅牢な透かし手法を提案し、著作権侵害に対するポストホック認証を容易にする。これらのテクニックは一般的に、SCに対する透かしの堅牢性を高めるために、ヒューリスティックな数学的モデリングまたは教師付きニューラルネットワークをノイズ層として採用する。しかし、両戦略はSC雑音の有効近似を根本的に達成できない。数理シミュレーションは、ノイズの不完全分解とノイズ成分間の相互依存性の欠如による偏差近似に悩まされる。教師付きネットワークは、ノイズ適合モデルのトレーニングにペアデータを必要とするため、モデルがノイズのすべての特徴を学習することは困難である。上記の問題に対処するため,シミュレーション・トゥ・リール(S2R)を提案する。具体的には、教師なしノイズ層は、シャープ画像から実世界の画像へのマッピングを直接学習するのではなく、未ペアデータを用いて、モデル化されたノイズ分布と実世界のSCノイズ分布との相違を学習する。シミュレーションから現実への変換を学習するのは本質的に単純で、きめ細かい画像の詳細を再構築する複雑な作業ではなく、主にノイズ分布のギャップを埋めることである。提案手法の有効性を実験的に検証し, 透かしの堅牢性および一般化を最先端の手法と比較した。

関連論文リスト

Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)
I2V: Towards Texture-Aware Self-Supervised Blind Denoising using Self-Residual Learning for Real-World Images [8.763680382529412]
pixel-shuffle downsampling (PD) はノイズの空間的相関を排除するために提案されている。テクスチャ情報を維持するために,PD処理を使わずに自己学習を提案する。広汎な実験の結果,提案手法は最先端の自己監督型ブラインド・デノイング・アプローチよりも優れていた。
論文参考訳（メタデータ） (2023-02-21T08:51:17Z)
SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文参考訳（メタデータ） (2022-06-09T14:00:26Z)
Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
本稿では,単一画像の自己教師型学習手法を提案する。繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
論文参考訳（メタデータ） (2022-06-04T00:08:58Z)
Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文参考訳（メタデータ） (2022-04-06T14:09:02Z)
Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文参考訳（メタデータ） (2022-03-24T18:11:31Z)
C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文参考訳（メタデータ） (2022-02-19T05:53:46Z)
FINO: Flow-based Joint Image and Noise Model [23.9749061109964]
フローベースジョイントイメージとノイズモデル(FINO) 本研究では,フローベース・ジョイント・イメージ・アンド・ノイズモデル(FINO)を提案する。
論文参考訳（メタデータ） (2021-11-11T02:51:54Z)
Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文参考訳（メタデータ） (2021-10-10T10:45:24Z)
Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文参考訳（メタデータ） (2021-07-02T11:55:40Z)
Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文参考訳（メタデータ） (2020-01-31T12:50:24Z)

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。