論文の概要: We Can Hide More Bits: The Unused Watermarking Capacity in Theory and in Practice

• arxiv url: http://arxiv.org/abs/2510.12812v1
• Date: Tue, 07 Oct 2025 19:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.316329
• Title: We Can Hide More Bits: The Unused Watermarking Capacity in Theory and in Practice
• Title（参考訳）: 私たちはもっと多くのビットを隠せる:理論と実践における未使用の透かし能力
• Authors: Aleksandar Petrov, Pierre Fernandez, Tomáš Souček, Hady Elsahar,
• Abstract要約: 深層学習に基づく画像透かしの急速な進歩にもかかわらず、現在のロバストな手法の容量はわずか数百ビットに限られている。 本稿では,PSNR による画像のメッセージ転送能力と線形ロバスト性制約の上限値を求める。 以上の結果から,理論能力は現在のモデルよりも桁違いに大きいことが示唆された。
• 参考スコア（独自算出の注目度）: 48.92248619341737
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite rapid progress in deep learning-based image watermarking, the capacity of current robust methods remains limited to the scale of only a few hundred bits. Such plateauing progress raises the question: How far are we from the fundamental limits of image watermarking? To this end, we present an analysis that establishes upper bounds on the message-carrying capacity of images under PSNR and linear robustness constraints. Our results indicate theoretical capacities are orders of magnitude larger than what current models achieve. Our experiments show this gap between theoretical and empirical performance persists, even in minimal, easily analysable setups. This suggests a fundamental problem. As proof that larger capacities are indeed possible, we train ChunkySeal, a scaled-up version of VideoSeal, which increases capacity 4 times to 1024 bits, all while preserving image quality and robustness. These findings demonstrate modern methods have not yet saturated watermarking capacity, and that significant opportunities for architectural innovation and training strategies remain.
• Abstract（参考訳）: 深層学習に基づく画像透かしの急速な進歩にもかかわらず、現在のロバストな手法の容量はわずか数百ビットに限られている。 画像透かしの基本的限界からどこまで遠いのか? そこで本研究では,PSNR条件下での画像のメッセージ転送能力と線形ロバスト性制約の上限値を求める。 以上の結果から,理論能力は現在のモデルよりも桁違いに大きいことが示唆された。 我々の実験は、最小限で容易に分析可能な設定であっても、理論と経験的性能のギャップが持続することを示している。 これは根本的な問題である。 より大きなキャパシティが実際に可能であることを示すため、画像の品質とロバスト性を保ちながら、容量を4倍から1024ビットに増やす、スケールアップされたVideoSealバージョンのChunkySealをトレーニングします。 これらの結果は、現代の手法はまだ飽和透かし能力が不足しており、建築革新や訓練戦略の重要な機会が残っていることを示している。

関連論文リスト

• WaterFlow: Learning Fast & Robust Watermarks using Stable Diffusion [46.10882190865747]
  WaterFlowは、学習した潜伏依存の透かしに基づいて、高忠実度視覚透かしのための高速かつ極めて堅牢なアプローチである。 WaterFlowは、一般的な堅牢性に対して最先端のパフォーマンスを示し、難しい組み合わせ攻撃に対して効果的に防御できる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-15T23:27:52Z)
• Pixel Distillation: A New Knowledge Distillation Scheme for Low-Resolution Image Recognition [124.80263629921498]
  アーキテクチャ制約を同時に破りながら知識蒸留を入力レベルまで拡張するPixel Distillationを提案する。 このようなスキームは、ネットワークアーキテクチャと画像品質の両方をリソースの全体的な要求に応じて調整できるため、展開のための柔軟なコスト制御を実現することができる。
  論文  参考訳（メタデータ） (2021-12-17T14:31:40Z)
• Improved FRQI on superconducting processors and its restrictions in the NISQ era [62.997667081978825]
  量子画像のフレキシブル表現の実現可能性について検討する。 また、現在の雑音の中間スケール量子時代の限界を実験的に検証する。 FRQIに必要な回路を単純化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-29T10:42:43Z)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)
• Contextual Residual Aggregation for Ultra High-Resolution Image Inpainting [12.839962012888199]
  そこで本稿では,CRA(Contextual Residual Aggregation)機構を提案する。 CRA機構は、コンテキストパッチからの残基の重み付けにより、欠落した内容に対して高周波残基を生成する。 提案手法は,解像度512×512の小型画像に対して学習し,高解像度画像に対する推論を行い,良好な塗装品質を実現する。
  論文  参考訳（メタデータ） (2020-05-19T18:55:32Z)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)

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。