論文の概要: MarkSweep: A No-box Removal Attack on AI-Generated Image Watermarking via Noise Intensification and Frequency-aware Denoising

• arxiv url: http://arxiv.org/abs/2602.15364v1
• Date: Tue, 17 Feb 2026 05:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.985848
• Title: MarkSweep: A No-box Removal Attack on AI-Generated Image Watermarking via Noise Intensification and Frequency-aware Denoising
• Title（参考訳）: MarkSweep:ノイズの強化と周波数認識によるAI生成画像透かしの非ボックス除去攻撃
• Authors: Jie Cao, Zelin Zhang, Qi Li, Jianbing Ni,
• Abstract要約: MarkSweepは、視覚的品質を劣化させることなく、AI生成画像から埋め込まれた透かしを消去する新しい透かし除去攻撃である。 エッジ対応ガウス摂動により高周波領域の透かしノイズを増幅し、清潔な画像に注入する。 学習可能な周波数分解モジュールと周波数認識融合モジュールの2つのモジュールを統合し、増幅ノイズを抑制し、透かし跡を除去する。
• 参考スコア（独自算出の注目度）: 15.570983503312227
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: AI watermarking embeds invisible signals within images to provide provenance information and identify content as AI-generated. In this paper, we introduce MarkSweep, a novel watermark removal attack that effectively erases the embedded watermarks from AI-generated images without degrading visual quality. MarkSweep first amplifies watermark noise in high-frequency regions via edge-aware Gaussian perturbations and injects it into clean images for training a denoising network. This network then integrates two modules, the learnable frequency decomposition module and the frequency-aware fusion module, to suppress amplified noise and eliminate watermark traces. Theoretical analysis and extensive experiments demonstrate that invisible watermarks are highly vulnerable to MarkSweep, which effectively removes embedded watermarks, reducing the bit accuracy of HiDDeN and Stable Signature watermarking schemes to below 67%, while preserving perceptual quality of AI-generated images.
• Abstract（参考訳）: AI透かしは、画像内に見えない信号を埋め込んで、証明情報を提供し、コンテンツがAI生成であると識別する。 本稿では,視覚的品質を低下させることなく,AI生成画像から埋め込まれた透かしを効果的に消去する新しい透かし除去攻撃であるMarkSweepを紹介する。 MarkSweepはまず、エッジを意識したガウス摂動を通じて高周波領域の透かしノイズを増幅し、それをクリーンな画像に注入し、デノナイジングネットワークを訓練する。 このネットワークは、学習可能な周波数分解モジュールと周波数認識融合モジュールの2つのモジュールを統合し、増幅ノイズを抑制し、透かし跡を除去する。 理論的分析と広範な実験により、目に見えない透かしはMarkSweepに対して非常に脆弱であることが示され、これは組み込み透かしを効果的に除去し、AI生成画像の知覚品質を維持しながら、HiDDeNと安定シグナチャの透かしスキームのビット精度を67%以下に低下させる。

関連論文リスト

• 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)
• 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)
• Hidden in the Noise: Two-Stage Robust Watermarking for Images [25.731533630250798]
  拡散モデルの初期雑音に基づく画像の歪みのない透かし手法を提案する。 透かしを検出するには、画像のために再構成された初期ノイズと、以前に使用した初期ノイズとを比較する必要がある。 本稿では,効率的な検出を行うための2段階の透かしフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-05T22:50:42Z)
• 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)
• 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)
• Perceptive self-supervised learning network for noisy image watermark removal [59.440951785128995]
  雑音の多い画像透かし除去のための知覚的自己教師型学習ネットワーク(PSLNet)を提案する。 提案手法は,雑音の多い画像透かし除去のための一般的な畳み込みニューラルネットワーク(CNN)と比較して非常に効果的である。
  論文  参考訳（メタデータ） (2024-03-04T16:59:43Z)
• Robustness of AI-Image Detectors: Fundamental Limits and Practical Attacks [47.04650443491879]
  我々は、透かしやディープフェイク検出器を含む様々なAI画像検出器の堅牢性を分析する。 ウォーターマーキング手法は,攻撃者が実際の画像をウォーターマーキングとして識別することを目的としたスプーフ攻撃に対して脆弱であることを示す。
  論文  参考訳（メタデータ） (2023-09-29T18:30:29Z)

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。