論文の概要: CASIAL: Geometric Distortion Robust Image Watermarking

• arxiv url: http://arxiv.org/abs/2607.26729v1
• Date: Wed, 29 Jul 2026 10:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.623104
• Title: CASIAL: Geometric Distortion Robust Image Watermarking
• Title（参考訳）: CASIAL: 幾何学的歪みのロバスト画像透かし
• Abstract要約: 本稿では,画像認識型メッセージ拡散戦略を備えた幾何学的歪みローバスト透かしフレームワークであるCASIALを提案する。 その結果,CASIALは視覚的品質を保ちながら,11のベースラインよりも強い強靭性を達成できることが判明した。 また、6つの信号歪みと4つの測光変換の下での競合性能も維持する。
• 参考スコア（独自算出の注目度）: 27.125516766334524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based watermarking has shown strong robustness against non-geometric distortions, yet its performance under geometric transformations remains limited. Such transformations induce two fundamental failure modes: region removal, such as cropping or masking, which eliminates the information carried by removed pixels, and desynchronization, such as scaling or rotation, which misaligns pixel positions and disrupts decoding. We argue that achieving geometric robustness requires two essential properties: (1) global spread of the watermark message, ensuring resilience even when large regions are removed, and (2) geometry-invariant representations, enabling decoding to remain synchronized despite spatial transformations. Building on these insights, we propose CASIAL, a geometric distortion-robust watermarking framework with cover image-aware message spreading (CAS) strategy and invariance alignment learning (IAL) module. CAS tightly couples watermark bits with cover image features and distributes them adaptively across the entire image, enhancing per-pixel information capacity and robustness to region removal. IAL leverages spatial attention to capture cross-pixel dependencies and align perturbed features into a shared geometry-invariant representation space, mitigating failures due to desynchronization. Across six challenging geometric transformations, CASIAL achieves substantially stronger robustness than eleven prior baselines while preserving high visual quality. It also maintains competitive performance under six signal distortions and four photometric transformations. Notably, although trained only with white-box distortions, CASIAL also exhibits strong transfer robustness to unseen black-box distortions. Comprehensive experiments demonstrate the broad robustness and superior visual quality of our method.
• Abstract（参考訳）: 深層学習に基づく透かしは非幾何学的歪みに対して強い堅牢性を示しているが、幾何変換による性能は限定的である。 このような変換は2つの基本的な障害モードを誘導する: トリミングやマスキングのような領域除去は、除去されたピクセルが持つ情報を排除し、スケールやローテーションのようなデシンクロ化は、ピクセルの位置を誤って調整し、復号を妨害する。 幾何学的ロバスト性を達成するためには,(1)透かしメッセージのグローバル展開,大規模領域を除去してもレジリエンスを確保すること,(2)空間的変換にもかかわらず復号化が可能となるような幾何学的不変表現,の2つの本質的な性質が必要であると論じる。 これらの知見に基づいて,カバー画像認識メッセージ拡散(CAS)戦略と不変アライメント学習(IAL)モジュールを備えた幾何学的歪みローバスト透かしフレームワークであるCASIALを提案する。 CASは、透かしビットをカバー画像の特徴と密に結合し、画像全体にわたって適応的に分散し、ピクセルごとの情報容量と領域除去に対する堅牢性を高める。 IALは空間的注意を利用して、画素間の依存関係をキャプチャし、乱れた特徴を共有幾何不変表現空間に整列させ、デシンクロナイゼーションによる失敗を緩和する。 6つの挑戦的な幾何学的変換の中で、CASIALは、高い視覚的品質を維持しながら、11の以前のベースラインよりもかなり強い強靭性を達成する。 また、6つの信号歪みと4つの測光変換の下での競合性能も維持する。 特に、CASIALはホワイトボックス歪みのみを訓練しているが、見えないブラックボックス歪みに対して強い伝達堅牢性を示す。 包括的実験は,本手法の広い堅牢性と優れた視覚的品質を示すものである。

関連論文リスト

• Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images [81.94999489820974]
  UniSplat (UniSplat) は、未提示のマルチビュー画像から3D表現を学習するためのフィードフォワードフレームワークである。 エンコーダにおける幾何誘導を強化するデュアルマスキング戦略を導入する。 第2に,外見のセマンティックな矛盾を解消する粗大なガウス的スプレイティング戦略を開発する。 第3に、予測された3次元点と意味マップを画像平面に相互に関連付ける、ポーズ条件の補正機構を導入する。
  論文  参考訳（メタデータ） (2026-04-12T10:36:18Z)
• Seamlessly Natural: Image Stitching with Natural Appearance Preservation [0.6089774484591287]
  SENAは、パララックスと深度変化を特徴とする現実世界の挑戦的なシーンにおける構造的忠実度を優先する。 SENAは3つの重要なコントリビューションを通じて基本的な制限に対処する。 挑戦的なデータセットで行われた実験は、SENAが主要なホモグラフィーベースの手法に匹敵するアライメント精度を達成することを示した。
  論文  参考訳（メタデータ） (2026-01-03T18:40:35Z)
• Both Semantics and Reconstruction Matter: Making Representation Encoders Ready for Text-to-Image Generation and Editing [62.94394079771687]
  急成長する傾向は、表現エンコーダの高次元特徴を生成的潜伏剤として採用することである。 生成タスクに理解指向のエンコーダ機能を適用するための体系的フレームワークを提案する。 提案手法は,テキスト・トゥ・イメージ(T2I)と画像編集タスクにおいて,最先端の再構築,収束の高速化,大幅な性能向上を実現する。
  論文  参考訳（メタデータ） (2025-12-19T18:59:57Z)
• Geometric Image Synchronization with Deep Watermarking [42.902365202924535]
  SyncSealは、堅牢な画像同期のためのbespokeの透かし方式である。 イメージを不可避的に変更する埋め込みネットワークと、画像が被写体となる幾何学的変換を予測する抽出ネットワークに依存している。
  論文  参考訳（メタデータ） (2025-09-18T17:56:54Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Deformation-Invariant Neural Network and Its Applications in Distorted Image Restoration and Analysis [8.009077765403287]
  幾何学的歪みによって劣化した画像は、画像や物体認識などのコンピュータビジョンタスクにおいて重要な課題となる。 ディープラーニングに基づく画像モデルは通常、幾何学的に歪んだ画像に対して正確な性能を与えることができない。 本稿では、幾何学的に歪んだ画像の撮像タスクに対処するフレームワークである変形不変ニューラルネットワーク(DINN)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T08:01:36Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)
• S^2-Transformer for Mask-Aware Hyperspectral Image Reconstruction [59.39343894089959]
  トランスフォーマー再構成バックエンドを備えたスナップショット圧縮撮像器(CASSI)は、高忠実度センシング性能を示す。 空間的およびスペクトル的アテンションデザインは ハイパースペクトルモデリングの限界を示します パラレルアテンション設計とマスク認識学習戦略により実装された空間スペクトル(S2-)変換器を提案する。
  論文  参考訳（メタデータ） (2022-09-24T19:26:46Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)

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。