論文の概要: Adversarial Shallow Watermarking

• arxiv url: http://arxiv.org/abs/2504.19529v1
• Date: Mon, 28 Apr 2025 07:12:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.347017
• Title: Adversarial Shallow Watermarking
• Title（参考訳）: 逆浅層透かし
• Authors: Guobiao Li, Lei Tan, Yuliang Xue, Gaozhi Liu, Zhenxing Qian, Sheng Li, Xinpeng Zhang,
• Abstract要約: 我々は未知の歪みに抵抗する新しい透かしフレームワーク、すなわち逆浅層透かし(ASW)を提案する。 ASWは、ランダムにパラメータ化され、透かし抽出の歪みに敏感な浅層デコーダのみを使用する。 ASWは、既知の歪みと未知の歪みの堅牢性について同等の結果を得る。
• 参考スコア（独自算出の注目度）: 33.580351668272215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in digital watermarking make use of deep neural networks for message embedding and extraction. They typically follow the ``encoder-noise layer-decoder''-based architecture. By deliberately establishing a differentiable noise layer to simulate the distortion of the watermarked signal, they jointly train the deep encoder and decoder to fit the noise layer to guarantee robustness. As a result, they are usually weak against unknown distortions that are not used in their training pipeline. In this paper, we propose a novel watermarking framework to resist unknown distortions, namely Adversarial Shallow Watermarking (ASW). ASW utilizes only a shallow decoder that is randomly parameterized and designed to be insensitive to distortions for watermarking extraction. During the watermark embedding, ASW freezes the shallow decoder and adversarially optimizes a host image until its updated version (i.e., the watermarked image) stably triggers the shallow decoder to output the watermark message. During the watermark extraction, it accurately recovers the message from the watermarked image by leveraging the insensitive nature of the shallow decoder against arbitrary distortions. Our ASW is training-free, encoder-free, and noise layer-free. Experiments indicate that the watermarked images created by ASW have strong robustness against various unknown distortions. Compared to the existing ``encoder-noise layer-decoder'' approaches, ASW achieves comparable results on known distortions and better robustness on unknown distortions.
• Abstract（参考訳）: デジタル透かしの最近の進歩は、ディープニューラルネットワークをメッセージの埋め込みと抽出に利用している。 通常、 'encoder-noise layer-decoder'' ベースのアーキテクチャに従う。 ウォーターマークされた信号の歪みをシミュレートする識別可能なノイズ層を意図的に確立することにより、ディープエンコーダとデコーダを併用してノイズ層に適合させ、ロバスト性を保証する。 結果として、トレーニングパイプラインで使われていない未知の歪みに対して、通常は弱い。 本稿では,未知の歪み,すなわちASW(Adversarial Shallow Watermarking)に抵抗する新しい透かしフレームワークを提案する。 ASWは、ランダムにパラメータ化され、透かし抽出の歪みに敏感な浅層デコーダのみを使用する。 透かし埋め込み中、ASWは浅層デコーダを凍結し、更新版(透かし付き画像)が安定して浅部デコーダをトリガーして透かしメッセージを出力するまでホスト画像を逆最適化する。 透かし抽出中は、浅い復号器の不感な性質を任意の歪みに対して利用することにより、透かし画像からのメッセージを正確に復元する。 ASWはトレーニングフリー、エンコーダフリー、ノイズ層フリーです。 実験により、ASWが作成した透かし画像は、様々な未知の歪みに対して強い堅牢性を有することが示された。 既存の `encoder-noise layer-decoder'' アプローチと比較して、ASW は既知の歪みと未知の歪みに対する堅牢性において同等の結果を得る。

関連論文リスト

• Decoder Gradient Shield: Provable and High-Fidelity Prevention of Gradient-Based Box-Free Watermark Removal [21.876772763530383]
  ボックスフリーの透かしは、ディープ・イメージ・ツー・イメージ・モデルを保護することができる。 ボックスフリーの透かしは、それぞれエンコーダとデコーダを使用して、モデルの出力画像から見えない著作権マークを埋め込んで抽出する。 本稿では,保護されていない透かしデコーダの脆弱性を明らかにする。 本稿では,デコーダAPIの保護層としてデコーダ勾配シールド(DGS)を提案し,勾配に基づく透かし除去を防止する。
  論文  参考訳（メタデータ） (2025-02-28T10:27:14Z)
• A self-supervised CNN for image watermark removal [102.94929746450902]
  画像透かし除去(SWCNN)における自己教師型畳み込みニューラルネットワーク(CNN)を提案する。 SWCNNは、透かし分布に従って、ペアのトレーニングサンプルではなく、基準透かし画像を構築するために、自己教師付き方式を使用している。 テクスチャ情報を考慮すると、画像透かし除去の視覚効果を改善するために混合損失を利用する。
  論文  参考訳（メタデータ） (2024-03-09T05:59:48Z)
• Perceptive self-supervised learning network for noisy image watermark removal [59.440951785128995]
  雑音の多い画像透かし除去のための知覚的自己教師型学習ネットワーク(PSLNet)を提案する。 提案手法は,雑音の多い画像透かし除去のための一般的な畳み込みニューラルネットワーク(CNN)と比較して非常に効果的である。
  論文  参考訳（メタデータ） (2024-03-04T16:59:43Z)
• Robust-Wide: Robust Watermarking against Instruction-driven Image Editing [21.69779516621288]
  悪意のあるユーザーは、命令駆動の画像編集を利用して偽画像を作成することができる。 本稿では,命令駆動画像編集に対する最初の堅牢な透かし手法であるRobust-Wideを提案する。 実験により、ロバスト・ウェイドは編集画像から効果的に透かしを抽出でき、ビット誤り率は2.6%近くであることが示された。
  論文  参考訳（メタデータ） (2024-02-20T03:33:54Z)
• 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)
• 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)
• Tree-Ring Watermarks: Fingerprints for Diffusion Images that are Invisible and Robust [55.91987293510401]
  生成モデルのアウトプットを透かしは、著作権をトレースし、AI生成コンテンツによる潜在的な害を防ぐ重要なテクニックである。 本稿では,拡散モデル出力を頑健にフィンガープリントするTree-Ring Watermarkingという新しい手法を提案する。 私たちの透かしは画像空間に意味的に隠れており、現在デプロイされている透かしよりもはるかに堅牢です。
  論文  参考訳（メタデータ） (2023-05-31T17:00:31Z)
• A Screen-Shooting Resilient Document Image Watermarking Scheme using Deep Neural Network [6.662095297079911]
  本稿では,ディープニューラルネットワークを用いた文書画像のスクリーン・シューティング・レジリエントな透かし方式を提案する。 具体的には、透かしを埋め込むエンコーダと、透かしを抽出するデコーダを備えたエンドツーエンドのニューラルネットワークである。 埋め込み強度調整戦略は、抽出精度を損なうことなく透かし画像の視覚的品質を向上させるように設計されている。
  論文  参考訳（メタデータ） (2022-03-10T07:19:44Z)
• A Robust Document Image Watermarking Scheme using Deep Neural Network [10.938878993948517]
  本稿では,ディープニューラルネットワークを用いたエンドツーエンドの文書画像透かし方式を提案する。 特に、エンコーダとデコーダは、透かしを埋め込んで抽出するように設計されている。 文字への埋め込み変更を制限するために、テキストセンシティブな損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-02-26T05:28:52Z)
• 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)
• Robust Watermarking using Diffusion of Logo into Autoencoder Feature Maps [10.072876983072113]
  本稿では,透かしのためのエンドツーエンドネットワークを提案する。 画像の内容に基づいて,畳み込みニューラルネットワーク(CNN)を用いて埋め込み強度を制御する。 異なる画像処理攻撃は、モデルの堅牢性を改善するためにネットワーク層としてシミュレートされる。
  論文  参考訳（メタデータ） (2021-05-24T05:18:33Z)
• 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。