論文の概要: ADD for Multi-Bit Image Watermarking

• arxiv url: http://arxiv.org/abs/2604.11491v1
• Date: Mon, 13 Apr 2026 13:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.581044
• Title: ADD for Multi-Bit Image Watermarking
• Title（参考訳）: マルチビット画像透かしのためのADD
• Authors: An Luo, Jie Ding,
• Abstract要約: 有望な治療法はマルチビット画像透かしであり、マルチビットメッセージをイメージに埋め込む。 既存のアプローチは、キャパシティ、一般的な画像歪みに対するレジリエンス、理論的正当化において不足することが多い。 そこで本論文では,マルチビット画像透かし方式として,マルチビットメッセージと線形に結合する透かしを学習し,画像に付加し,透かし画像と学習した透かしの内積を復号する,2段階のマルチビット画像透かし方式を提案する。
• 参考スコア（独自算出の注目度）: 7.8976567245659615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As generative models enable rapid creation of high-fidelity images, societal concerns about misinformation and authenticity have intensified. A promising remedy is multi-bit image watermarking, which embeds a multi-bit message into an image so that a verifier can later detect whether the image is generated by someone and further identify the source by decoding the embedded message. Existing approaches often fall short in capacity, resilience to common image distortions, and theoretical justification. To address these limitations, we propose ADD (Add, Dot, Decode), a multi-bit image watermarking method with two stages: learning a watermark to be linearly combined with the multi-bit message and added to the image, and decoding through inner products between the watermarked image and the learned watermark. On the standard MS-COCO benchmark, we demonstrate that for the challenging task of 48-bit watermarking, ADD achieves 100\% decoding accuracy, with performance dropping by at most 2\% under a wide range of image distortions, substantially smaller than the 14\% average drop of state-of-the-art methods. In addition, ADD achieves substantial computational gains, with 2-fold faster embedding and 7.4-fold faster decoding than the fastest existing method. We further provide a theoretical analysis explaining why the learned watermark and the corresponding decoding rule are effective.
• Abstract（参考訳）: 生成モデルにより、高忠実度画像の迅速な作成が可能となり、誤情報や真偽に対する社会的懸念が強まりつつある。 有望な治療法はマルチビット画像透かしであり、複数ビットのメッセージを画像に埋め込んで、検証者が後で誰かによって画像が生成されるかどうかを検知し、埋め込みメッセージの復号によりソースを識別できるようにする。 既存のアプローチは、キャパシティ、一般的な画像歪みに対するレジリエンス、理論的正当化において不足することが多い。 これらの制約に対処するために,マルチビット画像透かし法であるADD(Add, Dot, Decode)を提案する。 標準的なMS-COCOベンチマークでは、48ビット透かしの難易度において、ADDは100\%の復号精度を達成し、画像歪みの幅は少なくとも2\%減少し、最先端手法の14\%よりも大幅に小さくなった。 さらに、ADDは2倍の高速埋め込みと7.4倍の高速デコードで計算効率が向上する。 さらに、学習した透かしとそれに対応する復号規則がなぜ有効かを説明する理論的解析を行う。

関連論文リスト

• 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)
• 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)
• Invisible Watermarks: Attacks and Robustness [0.3495246564946556]
  本稿では,攻撃時の画像品質の劣化を最小限に抑えるとともに,透かしの堅牢性を向上する新しい手法を提案する。 そこで本研究では,デコード中,一方の透かしのモダリティを保ちながら他方を完全に除去する独自の透かし除去ネットワークを提案する。 評価の結果,1)他のモダリティを復号する際の透かしモダリティの1つを保持するための透かし除去モデルの実装は,ベースライン性能において若干改善され,2)LBAは画像全体の均一なぼかしに比べて画像の劣化を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-12-17T03:50:13Z)
• AMUSE: Adaptive Multi-Segment Encoding for Dataset Watermarking [12.2352706636564]
  透かし技術は、所有情報(すなわち透かし)を個々の画像サンプルに格納するために用いられる。 透かし全体をすべてのサンプルに埋め込むと、埋め込まれた情報にかなりの冗長性が生じる。 データセット透かしのためのマルチセグメント符号化復号法(AMUSE)を提案する。 次に、デコーダを使用して、抽出したサブメッセージから元のメッセージを再構築する。
  論文  参考訳（メタデータ） (2024-03-08T19:02:21Z)
• RAW: A Robust and Agile Plug-and-Play Watermark Framework for AI-Generated Images with Provable Guarantees [33.61946642460661]
  本稿ではRAWと呼ばれる堅牢でアジャイルな透かし検出フレームワークを紹介する。 我々は、透かしの存在を検出するために、透かしと共同で訓練された分類器を用いる。 このフレームワークは,透かし画像の誤分類に対する偽陽性率に関する証明可能な保証を提供する。
  論文  参考訳（メタデータ） (2024-01-23T22:00:49Z)
• Watermarking Images in Self-Supervised Latent Spaces [75.99287942537138]
  我々は,自己教師型アプローチに照らして,事前学習した深層ネットワークに基づく透かし手法を再検討する。 我々は、マーク時間におけるデータの増大を利用して、マークとバイナリのメッセージをその潜在空間に埋め込む方法を提案する。
  論文  参考訳（メタデータ） (2021-12-17T15:52:46Z)
• Split then Refine: Stacked Attention-guided ResUNets for Blind Single Image Visible Watermark Removal [69.92767260794628]
  従来の透かし除去方法は,ユーザから透かしの位置を取得したり,マルチタスクネットワークをトレーニングして,背景を無差別に復元する必要があった。 本稿では,注目誘導型ResUNetsを積み重ねた新しい2段階フレームワークを提案し,検出・除去・精錬の過程をシミュレートする。 様々な条件下で4つの異なるデータセット上でアルゴリズムを広範囲に評価し,その手法が他の最先端手法をはるかに上回っていることを示す実験を行った。
  論文  参考訳（メタデータ） (2020-12-13T09:05:37Z)

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。