論文の概要: Robust Image Self-Recovery against Tampering using Watermark Generation with Pixel Shuffling

• arxiv url: http://arxiv.org/abs/2511.22936v1
• Date: Fri, 28 Nov 2025 07:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.800119
• Title: Robust Image Self-Recovery against Tampering using Watermark Generation with Pixel Shuffling
• Title（参考訳）: 画素シャッフルを用いた透かし生成による改ざんに対するロバスト画像自己修復
• Authors: Minyoung Kim, Paul Hongsuck Seo,
• Abstract要約: ReImageはニューラルな透かしに基づく自己回復フレームワークで、ターゲット画像のシャッフルバージョンを透かしとして自分自身に埋め込む。 本稿では,ReImageがさまざまなタンパリングシナリオに対して最先端のパフォーマンスを実現することを示す。
• 参考スコア（独自算出の注目度）: 20.183019881393115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of Artificial Intelligence-Generated Content (AIGC) raises concerns about the authenticity of digital media. In this context, image self-recovery, reconstructing original content from its manipulated version, offers a practical solution for understanding the attacker's intent and restoring trustworthy data. However, existing methods often fail to accurately recover tampered regions, falling short of the primary goal of self-recovery. To address this challenge, we propose ReImage, a neural watermarking-based self-recovery framework that embeds a shuffled version of the target image into itself as a watermark. We design a generator that produces watermarks optimized for neural watermarking and introduce an image enhancement module to refine the recovered image. We further analyze and resolve key limitations of shuffled watermarking, enabling its effective use in self-recovery. We demonstrate that ReImage achieves state-of-the-art performance across diverse tampering scenarios, consistently producing high-quality recovered images. The code and pretrained models will be released upon publication.
• Abstract（参考訳）: 人工知能生成コンテンツ(AIGC)の急速な成長により、デジタルメディアの信頼性に対する懸念が高まっている。 この文脈では、イメージの自己回復は、操作されたバージョンからオリジナルコンテンツを再構築し、攻撃者の意図を理解し、信頼できるデータを復元するための実用的な解決策を提供する。 しかし、既存の手法では、改ざんされた地域を正確に回復することができないことが多く、自己回復の第一の目標には達していない。 この課題に対処するために、我々は、ターゲット画像のシャッフルバージョンを透かしとして自身に埋め込んだ、ニューラルな透かしに基づく自己回復フレームワークであるReImageを提案する。 我々はニューラルな透かしに最適化された透かしを生成するジェネレータを設計し、回復した画像を洗練するための画像強調モジュールを導入する。 さらに,シャッフルウォーターマーキングの限界を解析,解決し,自己回復に有効であることを示す。 我々は,ReImageが様々な改ざんシナリオにまたがって最先端のパフォーマンスを達成し,高品質な復元画像を連続的に生成できることを実証した。 コードと事前訓練されたモデルは、公開時にリリースされる。

関連論文リスト

• Diffusion-Based Image Editing for Breaking Robust Watermarks [4.273350357872755]
  強力な拡散ベースの画像生成と編集技術は、堅牢なウォーターマーキングスキームに新たな脅威をもたらす。 拡散駆動型画像再生プロセスでは,画像内容の保存中に埋め込み透かしを消去できることを示す。 生成中の透かし信号に特異的な誘導拡散攻撃を導入し,透かし検出性を著しく低下させた。
  論文  参考訳（メタデータ） (2025-10-07T14:34:42Z)
• A Watermark for Auto-Regressive Image Generation Models [50.599325258178254]
  画像生成モデル用に明示的に設計された歪みのない透かし法であるC-reweightを提案する。 C-reweightは画像の忠実性を維持しながら再起動ミスマッチを緩和する。
  論文  参考訳（メタデータ） (2025-06-13T00:15:54Z)
• Optimization-Free Universal Watermark Forgery with Regenerative Diffusion Models [50.73220224678009]
  ウォーターマーキングは、人工知能モデルによって生成された合成画像の起源を検証するために使用できる。 近年の研究では, 対象画像から表層画像への透かしを, 対角的手法を用いてフォージできることが示されている。 本稿では,最適化フリーで普遍的な透かし偽造のリスクが大きいことを明らかにする。 我々のアプローチは攻撃範囲を大きく広げ、現在の透かし技術の安全性により大きな課題をもたらす。
  論文  参考訳（メタデータ） (2025-06-06T12:08:02Z)
• 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)
• 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)
• Certifiably Robust Image Watermark [57.546016845801134]
  ジェネレーティブAIは、偽情報やプロパガンダキャンペーンの促進など、多くの社会的懸念を提起する。 ウォーターマークAI生成コンテンツは、これらの懸念に対処するための重要な技術である。 本報告では, 除去・偽造攻撃に対するロバスト性保証を保証した最初の画像透かしを提案する。
  論文  参考訳（メタデータ） (2024-07-04T17:56:04Z)

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。