論文の概要: SimuFreeMark: A Noise-Simulation-Free Robust Watermarking Against Image Editing

• arxiv url: http://arxiv.org/abs/2511.11295v1
• Date: Fri, 14 Nov 2025 13:30:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.627074
• Title: SimuFreeMark: A Noise-Simulation-Free Robust Watermarking Against Image Editing
• Title（参考訳）: SimuFreeMark:画像編集に反するノイズ効果のないロバストな透かし
• Authors: Yichao Tang, Mingyang Li, Di Miao, Sheng Li, Zhenxing Qian, Xinpeng Zhang,
• Abstract要約: SimuFreeMarkは低周波成分の深い特徴空間に直接透かしを埋め込む。 SimuFreeMarkは、さまざまな従来的およびセマンティックアタックにおいて、最先端のメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 42.61567414584149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advancement of artificial intelligence generated content (AIGC) has created a pressing need for robust image watermarking that can withstand both conventional signal processing and novel semantic editing attacks. Current deep learning-based methods rely on training with hand-crafted noise simulation layers, which inherently limit their generalization to unforeseen distortions. In this work, we propose $\textbf{SimuFreeMark}$, a noise-$\underline{\text{simu}}$lation-$\underline{\text{free}}$ water$\underline{\text{mark}}$ing framework that circumvents this limitation by exploiting the inherent stability of image low-frequency components. We first systematically establish that low-frequency components exhibit significant robustness against a wide range of attacks. Building on this foundation, SimuFreeMark embeds watermarks directly into the deep feature space of the low-frequency components, leveraging a pre-trained variational autoencoder (VAE) to bind the watermark with structurally stable image representations. This design completely eliminates the need for noise simulation during training. Extensive experiments demonstrate that SimuFreeMark outperforms state-of-the-art methods across a wide range of conventional and semantic attacks, while maintaining superior visual quality.
• Abstract（参考訳）: 人工知能生成コンテンツ(AIGC)の進歩は、従来の信号処理と新しいセマンティック編集攻撃の両方に耐えられる堅牢な画像透かしの必要性を強く求めている。 現在のディープラーニングベースの手法は、手作りのノイズシミュレーションレイヤによるトレーニングに依存しており、本来は一般化を予期せぬ歪みに制限している。 本稿では、画像低周波成分の固有の安定性を利用して、この制限を回避するために、$\textbf{SimuFreeMark}$, a noise-$\underline{\text{simu}}$lation-$\underline{\text{free}}$ water$\underline{\text{mark}}$ing frameworkを提案する。 まず、低周波成分が広範囲の攻撃に対して顕著な堅牢性を示すことを系統的に確立する。 この基盤の上に構築されたSimuFreeMarkは、透かしを直接低周波成分の深い特徴空間に埋め込み、事前訓練された変分オートエンコーダ(VAE)を利用して、透かしを構造的に安定した画像表現で結合する。 この設計は、トレーニング中のノイズシミュレーションの必要性を完全に排除する。 大規模な実験により、SimuFreeMarkは、より優れた視覚的品質を維持しながら、様々な従来的およびセマンティックアタックで最先端の手法より優れていることが示された。

関連論文リスト

• T2SMark: Balancing Robustness and Diversity in Noise-as-Watermark for Diffusion Models [89.29541056113442]
  T2SMarkはTail-Truncated Smpling(TTS)に基づく2段階の透かし方式である U-NetとDiTのバックボーンを用いた拡散モデル上でのT2SMarkの評価を行った。
  論文  参考訳（メタデータ） (2025-10-25T16:55:55Z)
• IConMark: Robust Interpretable Concept-Based Watermark For AI Images [50.045011844765185]
  我々は,新しい世代のロバストなセマンティックな透かし法であるIConMarkを提案する。 IConMarkは、解釈可能な概念をAI生成イメージに組み込み、敵の操作に耐性を持たせる。 我々は、検出精度と画質の維持の観点から、その優位性を実証する。
  論文  参考訳（メタデータ） (2025-07-17T05:38:30Z)
• Sim-to-Real: An Unsupervised Noise Layer for Screen-Camera Watermarking Robustness [19.3977978738945]
  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。
  論文  参考訳（メタデータ） (2025-04-26T12:42:57Z)
• Gaussian Shading++: Rethinking the Realistic Deployment Challenge of Performance-Lossless Image Watermark for Diffusion Models [66.54457339638004]
  著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。 本研究では,実世界の展開に適した拡散モデル透かし手法を提案する。 Gaussian Shading++はパフォーマンスのロスレス性を維持するだけでなく、ロバスト性の観点からも既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-04-21T11:18:16Z)
• Saliency-Aware Diffusion Reconstruction for Effective Invisible Watermark Removal [18.47018538990973]
  本稿では,Web上での透かし除去のための新しいSaliency-Aware Diffusion Reconstructionフレームワークを提案する。 SADREは、ターゲットノイズをサリエンシマスクでガイドされた潜在表現に注入することで、埋め込み透かしを妨害する。 逆拡散プロセスは、透かし強度によって決定される適応ノイズレベルを利用して、高忠実度画像復元を保証する。
  論文  参考訳（メタデータ） (2025-04-17T10:15:10Z)
• Bridging Knowledge Gap Between Image Inpainting and Large-Area Visible Watermark Removal [57.84348166457113]
  本稿では,事前学習した画像の塗装モデルの表現能力を活用する新しい特徴適応フレームワークを提案する。 本手法は, 透かしの残像の残像を塗布バックボーンモデルに流し込むことにより, 透かしと透かし除去の知識ギャップを埋めるものである。 高品質な透かしマスクへの依存を緩和するために,粗い透かしマスクを用いて推論プロセスを導出する新たな訓練パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-04-07T02:37:14Z)
• SEAL: Semantic Aware Image Watermarking [26.606008778795193]
  本稿では,生成した画像のセマンティック情報を透かしに直接埋め込む新しい透かし手法を提案する。 キーパターンは、局所性に敏感なハッシュを用いて画像のセマンティック埋め込みから推測することができる。 以上の結果から,画像生成モデルによるリスクを軽減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-03-15T15:29:05Z)
• SuperMark: Robust and Training-free Image Watermarking via Diffusion-based Super-Resolution [27.345134138673945]
  我々は、堅牢でトレーニング不要な透かしフレームワークであるSuperMarkを提案する。 SuperMarkは既存の手法を使って初期ガウスノイズに透かしを埋め込む。 次に、トレーニング済みの超解像モデルを適用して、透かしのノイズを消音し、最終的な透かしの画像を生成する。 抽出には、透かし画像がDDIM変換により初期透かしノイズに逆戻りされ、埋め込み透かしが抽出される。 実験により、SuperMarkは既存のメソッドに匹敵する忠実性を達成し、ロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-12-13T11:20:59Z)

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。