論文の概要: ONRW: Optimizing inversion noise for high-quality and robust watermark

• arxiv url: http://arxiv.org/abs/2601.17388v1
• Date: Sat, 24 Jan 2026 09:22:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.706972
• Title: ONRW: Optimizing inversion noise for high-quality and robust watermark
• Title（参考訳）: ONRW:高品質でロバストな透かしのための反転雑音の最適化
• Authors: Xuan Ding, Xiu Yan, Chuanlong Xie, Yao Zhu,
• Abstract要約: 拡散モデルに基づく高品質で堅牢な透かしフレームワークを提案する。 提案手法は,COCOデータセット上の12種類の画像変換に対して,安定シグネチャ法を平均10%上回る性能を示した。
• 参考スコア（独自算出の注目度）: 12.520973746455693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Watermarking methods have always been effective means of protecting intellectual property, yet they face significant challenges. Although existing deep learning-based watermarking systems can hide watermarks in images with minimal impact on image quality, they often lack robustness when encountering image corruptions during transmission, which undermines their practical application value. To this end, we propose a high-quality and robust watermark framework based on the diffusion model. Our method first converts the clean image into inversion noise through a null-text optimization process, and after optimizing the inversion noise in the latent space, it produces a high-quality watermarked image through an iterative denoising process of the diffusion model. The iterative denoising process serves as a powerful purification mechanism, ensuring both the visual quality of the watermarked image and enhancing the robustness of the watermark against various corruptions. To prevent the optimizing of inversion noise from distorting the original semantics of the image, we specifically introduced self-attention constraints and pseudo-mask strategies. Extensive experimental results demonstrate the superior performance of our method against various image corruptions. In particular, our method outperforms the stable signature method by an average of 10\% across 12 different image transformations on COCO datasets. Our codes are available at https://github.com/920927/ONRW.
• Abstract（参考訳）: ウォーターマーク手法は常に知的財産を保護する効果的な手段であるが、それらは重大な課題に直面している。 既存のディープラーニングベースの透かしシステムは、画像の品質に最小限の影響を与えることなく、画像に透かしを隠すことができるが、伝送中に画像の破損に遭遇する際には、その実用的価値を損なうロバスト性に欠けることが多い。 そこで本研究では,拡散モデルに基づく高品質で堅牢な透かしフレームワークを提案する。 提案手法は,まずNull-text最適化プロセスを通じてクリーン画像を逆雑音に変換するとともに,潜時空間における逆雑音を最適化した後,拡散モデルの反復復調処理により高品質な透かし画像を生成する。 反復復調処理は強力な浄化機構として機能し、透かし画像の視覚的品質を確保し、各種の汚損に対する透かしの堅牢性を高める。 インバージョンノイズの最適化が画像の本来の意味を歪めるのを防止するため,特に自己注意制約と擬似マスク戦略を導入した。 画像劣化に対する本手法の有効性を実験的に検証した。 特に、COCOデータセット上の12の異なる画像変換に対して、安定シグネチャ法を平均10倍に向上させる。 私たちのコードはhttps://github.com/920927/ONRW.comで公開されています。

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)
• OptMark: Robust Multi-bit Diffusion Watermarking via Inference Time Optimization [66.69924980864053]
  拡散復調過程の中間潜水器に頑健なマルチビット透かしを埋め込む最適化手法である OptMark を提案する。 OptMarkは、生成攻撃に対して早期に構造的な透かしを挿入し、画像変換に耐えるために遅れて詳細な透かしを挿入する。 実験結果から,OptMarkは有意変換,幾何変換,編集,再生攻撃に対する堅牢なレジリエンスを確保しつつ,目に見えないマルチビット透かしを実現することが示された。
  論文  参考訳（メタデータ） (2025-08-29T15:50:59Z)
• 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)
• DiffMark: Diffusion-based Robust Watermark Against Deepfakes [49.05095089309156]
  ディープフェイクは、悪意のある顔操作を通じて、重大なセキュリティとプライバシーの脅威を引き起こす。 既存の透かし法はディープフェイク操作に対して十分な堅牢性を欠いていることが多い。 本稿では拡散モデルに基づく新しいロバストな透かしフレームワークDiffMarkを提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:29:33Z)
• TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity [76.98973481600002]
  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。 提案手法は、4つのキーモジュールからなる: 生成品質を保ちつつ、著作権と局所化の透かしを潜伏空間に埋め込むためのデュアルマークジョイントサンプリング (DMJS) アルゴリズム。 実験結果から,TAG-WMは歪み下においても,改質性および局所化能力の両面において最先端性能を達成できることが示された。
  論文  参考訳（メタデータ） (2025-06-30T03:14:07Z)
• ARIW-Framework: Adaptive Robust Iterative Watermarking Framework [14.782580487951018]
  本稿では適応型ロバストな反復型透かしフレームワーク(ARIW-Framework)を提案する。 異常な堅牢性と一般化性能を維持しつつ、高品質な透かし画像を実現する。
  論文  参考訳（メタデータ） (2025-05-19T13:31:48Z)
• 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)
• 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)
• Image Watermarks are Removable Using Controllable Regeneration from Clean Noise [26.09012436917272]
  透かし技法の重要な特徴は、様々な操作に対する頑丈さである。 本稿では,最先端の透かし手法を効果的に無効化できる透かし除去手法を提案する。 本手法は,既存の再生手法と比較して,視覚的整合性/品質の向上と透かし除去性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-10-07T20:04:29Z)

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。