論文の概要: A Comprehensive Real-World Assessment of Audio Watermarking Algorithms: Will They Survive Neural Codecs?
- arxiv url: http://arxiv.org/abs/2505.19663v1
- Date: Mon, 26 May 2025 08:21:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:43.274078
- Title: A Comprehensive Real-World Assessment of Audio Watermarking Algorithms: Will They Survive Neural Codecs?
- Title（参考訳）: 音響透かしアルゴリズムの総合的実世界評価:それらはニューラルコーデックを救えるか?
- Authors: Yigitcan Özer, Woosung Choi, Joan Serrà, Mayank Kumar Singh, Wei-Hsiang Liao, Yuki Mitsufuji,
- Abstract要約: 深層学習に基づく音声透かしアルゴリズムの評価を促進するための枠組みを提案する。
本稿では,圧縮,背景雑音,残響などの様々な歪みを特徴とする包括的オーディオアタックパイプラインを提案する。
我々の貢献により、幅広いアプリケーションにわたる音声透かしアルゴリズムの堅牢性と知覚的評価が強化される。
- 参考スコア（独自算出の注目度）: 21.111812193733982
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a framework to foster the evaluation of deep learning-based audio watermarking algorithms, establishing a standardized benchmark and allowing systematic comparisons. To simulate real-world usage, we introduce a comprehensive audio attack pipeline, featuring various distortions such as compression, background noise, and reverberation, and propose a diverse test dataset, including speech, environmental sounds, and music recordings. By assessing the performance of four existing watermarking algorithms on our framework, two main insights stand out: (i) neural compression techniques pose the most significant challenge, even when algorithms are trained with such compressions; and (ii) training with audio attacks generally improves robustness, although it is insufficient in some cases. Furthermore, we find that specific distortions, such as polarity inversion, time stretching, or reverb, seriously affect certain algorithms. Our contributions strengthen the robustness and perceptual assessment of audio watermarking algorithms across a wide range of applications, while ensuring a fair and consistent evaluation approach. The evaluation framework, including the attack pipeline, is accessible at github.com/SonyResearch/wm_robustness_eval.
- Abstract（参考訳）: 本稿では,ディープラーニングに基づく音声透かしアルゴリズムの評価を奨励し,標準化されたベンチマークを確立し,体系的な比較を可能にするフレームワークを提案する。
実世界での使用をシミュレートするために,圧縮,背景雑音,残響などの様々な歪みを特徴とする包括的オーディオアタックパイプラインを導入し,音声,環境音,音楽録音などの多様なテストデータセットを提案する。
フレームワーク上の4つの既存の透かしアルゴリズムのパフォーマンスを評価することで、2つの主要な洞察が浮かび上がる。
(i)ニューラル圧縮技術は、アルゴリズムがそのような圧縮で訓練されている場合でも、最も重要な課題となる。
(ii) 音声攻撃による訓練は, 多くの場合, 強靭性が向上するが, 場合によっては不十分である。
さらに、極性反転、時間伸張、あるいはリバーブのような特定の歪みが、特定のアルゴリズムに深刻な影響を及ぼすことがわかった。
我々の貢献は、幅広いアプリケーションにわたる音声透かしアルゴリズムの堅牢性と知覚的評価を強化し、公平で一貫した評価アプローチを確実にする。
攻撃パイプラインを含む評価フレームワークはgithub.com/SonyResearch/wm_robustness_evalで利用できる。
関連論文リスト
- Measuring the Robustness of Audio Deepfake Detectors [59.09338266364506]
この研究は、16の一般的な汚職に対する10のオーディオディープフェイク検出モデルの頑健さを体系的に評価する。
従来のディープラーニングモデルと最先端の基礎モデルの両方を用いて、4つのユニークな観察を行う。
論文 参考訳（メタデータ） (2025-03-21T23:21:17Z) - Where are we in audio deepfake detection? A systematic analysis over generative and detection models [59.09338266364506]
SONARはAI-Audio Detection FrameworkとBenchmarkの合成である。
最先端のAI合成聴覚コンテンツを識別するための総合的な評価を提供する。
従来のモデルベース検出システムと基礎モデルベース検出システムの両方で、AIオーディオ検出を均一にベンチマークする最初のフレームワークである。
論文 参考訳（メタデータ） (2024-10-06T01:03:42Z) - IDEAW: Robust Neural Audio Watermarking with Invertible Dual-Embedding [29.89341878606415]
本稿では,効率的な位置決めのための二重埋め込み型透かしモデルの設計を行う。
実験により、提案モデルであるIDEAWは、既存の手法と比較して、高いキャパシティとより効率的な位置決め能力を持つ様々な攻撃に耐えられることが示された。
論文 参考訳（メタデータ） (2024-09-29T09:32:54Z) - An Integrated Algorithm for Robust and Imperceptible Audio Adversarial
Examples [2.2866551516539726]
実効性のある音声ファイルが生成され、認識性や頑健性に関して微調整される。
本稿では,心理音響モデルと室内インパルス応答(RIR)を用いた統合アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-05T06:59:09Z) - AdVerb: Visually Guided Audio Dereverberation [49.958724234969445]
本稿では,新しいオーディオ・ビジュアル・デバーベレーション・フレームワークであるAdVerbを紹介する。
残響音に加えて視覚的手がかりを用いてクリーンオーディオを推定する。
論文 参考訳（メタデータ） (2023-08-23T18:20:59Z) - High Fidelity Neural Audio Compression [92.4812002532009]
我々は、ニューラルネットワークを利用した最先端のリアルタイム、高忠実、オーディオを導入する。
ストリーミングエンコーダ-デコーダアーキテクチャと、エンドツーエンドでトレーニングされた量子化潜在空間で構成されている。
単一マルチスケール・スペクトログラム・アドバイザリーを用いて、トレーニングを簡素化し、高速化する。
論文 参考訳（メタデータ） (2022-10-24T17:52:02Z) - Robust Time Series Denoising with Learnable Wavelet Packet Transform [1.370633147306388]
多くのアプリケーションでは、後の分析や学習タスクの前に、信号の復号化が最初の前処理ステップであることが多い。
本稿では,ウェーブレットパケット変換の学習可能なバージョンである信号処理にインスパイアされたディープ・ラーニング・デノイング・モデルを適用することを提案する。
本稿では,提案アルゴリズムが信号処理手法の普遍性とディープラーニング手法の学習能力にどのように関係しているかを示す。
論文 参考訳（メタデータ） (2022-06-13T13:05:58Z) - Self-Guided Quantum State Learning for Mixed States [7.270980742378388]
我々のアルゴリズムの健全な特徴は、非忠実次元$d$状態における効率的な$O left(d3 right)$後処理である。
測定ノイズに対する高いレジリエンスは、ノイズの多い中間スケール量子アプリケーションに我々のアルゴリズムを適合させる。
論文 参考訳（メタデータ） (2021-06-11T04:40:26Z) - Dynamic Layer Customization for Noise Robust Speech Emotion Recognition
in Heterogeneous Condition Training [16.807298318504156]
ノイズ条件毎に,サンプルを特殊特徴エンコーダに動的にルーティングすることで,性能を向上できることを示す。
時間的順序付けを動的にルーティングすることで,これらの改善をマルチモーダル設定に拡張する。
論文 参考訳（メタデータ） (2020-10-21T18:07:32Z) - A black-box adversarial attack for poisoning clustering [78.19784577498031]
本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。
我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
論文 参考訳（メタデータ） (2020-09-09T18:19:31Z)
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。