論文の概要: README: Robust Error-Aware Digital Signature Framework via Deep Watermarking Model

• arxiv url: http://arxiv.org/abs/2507.04495v1
• Date: Sun, 06 Jul 2025 18:15:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.210851
• Title: README: Robust Error-Aware Digital Signature Framework via Deep Watermarking Model
• Title（参考訳）: README:ディープウォーターマーキングモデルによるロバストエラー対応デジタル署名フレームワーク
• Authors: Hyunwook Choi, Sangyun Won, Daeyeon Hwang, Junhyeok Choi,
• Abstract要約: 本稿では,画像内の堅牢で検証可能な,エラー耐性のあるデジタルシグネチャを実現する新しいフレームワークを提案する。 提案したフレームワークは、ディープウォーターマーキングのための新しいクラスの高保証アプリケーションをアンロックする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based watermarking has emerged as a promising solution for robust image authentication and protection. However, existing models are limited by low embedding capacity and vulnerability to bit-level errors, making them unsuitable for cryptographic applications such as digital signatures, which require over 2048 bits of error-free data. In this paper, we propose README (Robust Error-Aware Digital Signature via Deep WaterMarking ModEl), a novel framework that enables robust, verifiable, and error-tolerant digital signatures within images. Our method combines a simple yet effective cropping-based capacity scaling mechanism with ERPA (ERror PAinting Module), a lightweight error correction module designed to localize and correct bit errors using Distinct Circular Subsum Sequences (DCSS). Without requiring any fine-tuning of existing pretrained watermarking models, README significantly boosts the zero-bit-error image rate (Z.B.I.R) from 1.2% to 86.3% when embedding 2048-bit digital signatures into a single image, even under real-world distortions. Moreover, our use of perceptual hash-based signature verification ensures public verifiability and robustness against tampering. The proposed framework unlocks a new class of high-assurance applications for deep watermarking, bridging the gap between signal-level watermarking and cryptographic security.
• Abstract（参考訳）: ディープラーニングベースの透かしは、堅牢な画像認証と保護のための有望なソリューションとして登場した。 しかし、既存のモデルは低埋め込み能力とビットレベルのエラーに対する脆弱性によって制限されており、2048ビット以上のエラーのないデータを必要とするデジタルシグネチャのような暗号アプリケーションには適さない。 本稿では,画像内のロバスト,検証,エラー耐性のディジタル署名を可能にする新しいフレームワークであるREADME (Robust Error-Aware Digital Signature via Deep WaterMarking ModEl)を提案する。 提案手法は,単純なトリミングに基づくキャパシティスケーリング機構とERPA(ERror PAinting Module)を組み合わせたもので,DCSS(Distinct Circular Subsum Sequences)を用いてビットエラーのローカライズと修正を行う軽量なエラー修正モジュールである。 既存の事前トレーニングされた透かしモデルの微調整を必要とせず、READMEは実世界の歪み下であっても、2048ビットのデジタル署名を単一の画像に埋め込む場合、ゼロビットエラー画像レート(Z.B.I.R)を1.2%から86.3%に大幅に向上させる。 さらに,知覚的ハッシュに基づくシグネチャ検証を用いることで,改ざんに対する公的な妥当性と堅牢性が保証される。 提案するフレームワークは,信号レベル透かしと暗号セキュリティのギャップを埋める,深層透かしのための新しい保証アプリケーション群を解放する。

関連論文リスト

• TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity [68.95168727940973]
  Tamper-Aware Generative Image WaterMarking(TAG-WM)。 本稿では,TAG-WMと命名されたタンパ認識画像ウォーターマーキング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-30T03:14:07Z)
• The NeRF Signature: Codebook-Aided Watermarking for Neural Radiance Fields [77.76790894639036]
  我々は,NeRFの新しい透かし方式であるNeRFシグナチャを提案する。 我々は、モデル構造を変更しないコードブック支援署名埋め込み(CSE)を採用している。 また、署名をパッチに隠すための共同ポーズパッチ暗号透かし戦略も導入する。
  論文  参考訳（メタデータ） (2025-02-26T13:27:49Z)
• CLUE-MARK: Watermarking Diffusion Models using CLWE [13.010337595004708]
  本稿では,拡散モデルに対する最初の検出不能な透かし方式であるCLUE-Markを紹介する。 CLUE-Markは、ウォーターマークされたモデルの変更を一切必要とせず、計算効率が良く、モデル出力の品質に影響を与えないことが保証されている。 CLUE-Markは、最近のステガノグラフィー攻撃では検出や除去ができない。
  論文  参考訳（メタデータ） (2024-11-18T10:03:01Z)
• AquaLoRA: Toward White-box Protection for Customized Stable Diffusion Models via Watermark LoRA [67.68750063537482]
  拡散モデルは高品質な画像の生成において顕著な成功を収めた。 最近の研究は、SDモデルがポストホック法医学のための透かし付きコンテンツを出力できるようにすることを目的としている。 このシナリオにおける最初の実装としてtextttmethod を提案する。
  論文  参考訳（メタデータ） (2024-05-18T01:25:47Z)
• 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)
• 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)
• Don't Forget to Sign the Gradients! [60.98885980669777]
  GradSignsはディープニューラルネットワーク(DNN)のための新しい透かしフレームワーク 深部ニューラルネットワーク(DNN)のための新しい透かしフレームワークであるGradSignsを紹介します。
  論文  参考訳（メタデータ） (2021-03-05T14:24:32Z)
• Fine-tuning Is Not Enough: A Simple yet Effective Watermark Removal Attack for DNN Models [72.9364216776529]
  我々は異なる視点から新しい透かし除去攻撃を提案する。 我々は、知覚不可能なパターン埋め込みと空間レベルの変換を組み合わせることで、単純だが強力な変換アルゴリズムを設計する。 我々の攻撃は、非常に高い成功率で最先端の透かしソリューションを回避できる。
  論文  参考訳（メタデータ） (2020-09-18T09:14:54Z)

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。