論文の概要: RecoverMark: Robust Watermarking for Localization and Recovery of Manipulated Faces

• arxiv url: http://arxiv.org/abs/2602.20618v1
• Date: Tue, 24 Feb 2026 07:11:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.641067
• Title: RecoverMark: Robust Watermarking for Localization and Recovery of Manipulated Faces
• Title（参考訳）: RecoverMark: 操作された顔のローカライゼーションとリカバリのためのロバストな透かし
• Authors: Haonan An, Xiaohui Ye, Guang Hua, Yihang Tao, Hangcheng Cao, Xiangyu Yu, Yuguang Fang,
• Abstract要約: 本稿では,ロバストな操作ローカライゼーション,コンテンツリカバリ,オーナシップ検証を同時に実現する透かしフレームワークであるRecoverMarkを提案する。 まず、視覚的な検出を避けるために、敵は背景のセマンティックな一貫性を保たなければならない。 これらの洞察に基づいて、RecoverMarkは保護された顔コンテンツ自体を透かしとして扱い、周囲の背景に埋め込む。
• 参考スコア（独自算出の注目度）: 16.612226216769262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of AI-generated content has facilitated sophisticated face manipulation, severely undermining visual integrity and posing unprecedented challenges to intellectual property. In response, a common proactive defense leverages fragile watermarks to detect, localize, or even recover manipulated regions. However, these methods always assume an adversary unaware of the embedded watermark, overlooking their inherent vulnerability to watermark removal attacks. Furthermore, this fragility is exacerbated in the commonly used dual-watermark strategy that adds a robust watermark for image ownership verification, where mutual interference and limited embedding capacity reduce the fragile watermark's effectiveness. To address the gap, we propose RecoverMark, a watermarking framework that achieves robust manipulation localization, content recovery, and ownership verification simultaneously. Our key insight is twofold. First, we exploit a critical real-world constraint: an adversary must preserve the background's semantic consistency to avoid visual detection, even if they apply global, imperceptible watermark removal attacks. Second, using the image's own content (face, in this paper) as the watermark enhances extraction robustness. Based on these insights, RecoverMark treats the protected face content itself as the watermark and embeds it into the surrounding background. By designing a robust two-stage training paradigm with carefully crafted distortion layers that simulate comprehensive potential attacks and a progressive training strategy, RecoverMark achieves a robust watermark embedding in no fragile manner for image manipulation localization, recovery, and image IP protection simultaneously. Extensive experiments demonstrate the proposed RecoverMark's robustness against both seen and unseen attacks and its generalizability to in-distribution and out-of-distribution data.
• Abstract（参考訳）: AI生成コンテンツの普及は、高度な顔操作を促進し、視覚的整合性を著しく損なうとともに、知的財産に対する前例のない課題を提起している。 反応として、共通のプロアクティブディフェンスは、脆弱な透かしを利用して、操作された領域を検出したり、ローカライズしたり、あるいは回復したりする。 しかし,これらの手法は常に,透かし除去攻撃に固有の脆弱性を見落とし,埋め込んだ透かしを知らない敵を仮定する。 さらに、この脆弱性は、画像の所有権検証のための堅牢な透かしを追加し、相互干渉や埋め込み能力の制限により、脆弱な透かしの有効性が低下する、一般的に使用される二重透かし戦略において悪化する。 このギャップに対処するために,ロバストな操作ローカライゼーション,コンテンツリカバリ,オーナシップ検証を同時に実現する透かしフレームワークであるRecoverMarkを提案する。 私たちの重要な洞察は2つです。 敵は、たとえグローバルで不可避な透かし除去攻撃を適用しても、視覚的検出を避けるために、背景のセマンティックな一貫性を保たなければならない。 第二に、画像のコンテンツ(この論文では顔)を透かしとして、抽出堅牢性を高める。 これらの洞察に基づいて、RecoverMarkは保護された顔コンテンツ自体を透かしとして扱い、周囲の背景に埋め込む。 RecoverMarkは、包括的な潜在的な攻撃とプログレッシブなトレーニング戦略をシミュレートした、慎重に構築された歪み層を備えた堅牢な2段階トレーニングパラダイムを設計することで、イメージ操作のローカライゼーション、リカバリ、イメージIP保護を同時に行う、脆弱な方法で堅牢なウォーターマーク埋め込みを実現する。 広範囲にわたる実験は、RecoverMarkの目に見える攻撃と目に見えない攻撃に対する頑健さと、その分布内および分布外データへの一般化性を示している。

関連論文リスト

• Vanishing Watermarks: Diffusion-Based Image Editing Undermines Robust Invisible Watermarking [3.583615559438432]
  強力な拡散ベースの画像生成と編集技術は、堅牢な透かし方式に新たな脅威をもたらす。 従来の歪みに耐えられるように設計された透かしであっても,拡散モデルによりロバストな透かしを効果的に消し去ることができることを示す。 誘導拡散に基づく攻撃は, 発生時に埋め込まれた透かし信号に的を絞ったもので, 透かし検出性を著しく低下させる。
  論文  参考訳（メタデータ） (2026-02-24T08:34:48Z)
• DeMark: A Query-Free Black-Box Attack on Deepfake Watermarking Defenses [25.492274324587058]
  DeMarkは、ディープフェイクの防御的なイメージ透かしスキームをターゲットにした、クエリフリーのブラックボックスアタックフレームワークである。 エンコーダ・デコーダ・ウォーターマーキングモデルにおける潜時空間の脆弱性を圧縮センシングに基づくスペーシフィケーションプロセスにより活用する。 DeMarkは、透かし検出の精度を、自然の視覚的品質を維持しながら、平均で100%から32.9%に下げる。
  論文  参考訳（メタデータ） (2026-01-23T06:04:43Z)
• RAVEN: Erasing Invisible Watermarks via Novel View Synthesis [35.417500510522835]
  本研究では,透かし除去をビュー合成問題として再検討することにより,目に見えない透かしの根本的な脆弱性を明らかにする。 我々の重要な洞察は、視覚的忠実性を維持しながら、同じ意味的内容の知覚的に一貫した代替ビューを生成し、埋め込みされた透かしを自然に取り除くことである。 本稿では, 静止空間における制御幾何変換を適用したゼロショット拡散に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-13T18:59:58Z)
• ComMark: Covert and Robust Black-Box Model Watermarking with Compressed Samples [14.929889375744368]
  ComMarkは、新しいブラックボックスモデルウォーターマーキングフレームワークである。 我々はComMarkが隠蔽性とロバスト性の両方において最先端のパフォーマンスを達成することを示す。 画像認識を超えて、音声認識、感情分析、画像生成、画像キャプション、ビデオ認識などのタスクにも適用可能である。
  論文  参考訳（メタデータ） (2025-12-16T05:10:32Z)
• 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)
• 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)
• 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)
• 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)
• Removing Interference and Recovering Content Imaginatively for Visible Watermark Removal [63.576748565274706]
  本研究では,Removing Interference and Recovering Content Imaginatively (RIRCI)フレームワークについて紹介する。 RIRCIは2段階のアプローチを具現化しており、最初のフェーズは透かし成分の識別と分離に焦点を当て、次のフェーズは背景コンテンツの復元に焦点を当てている。 本モデルでは,半透明透かしの下の固有背景情報を完全に探索できるデュアルパスネットワークを用いる。
  論文  参考訳（メタデータ） (2023-12-22T02:19:23Z)

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。