論文の概要: SpreadMark: Robust Image Watermarking via Spread-Spectrum Embedding
- arxiv url: http://arxiv.org/abs/2608.03165v1
- Date: Tue, 04 Aug 2026 05:52:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.055282
- Title: SpreadMark: Robust Image Watermarking via Spread-Spectrum Embedding
- Title（参考訳）: SpreadMark: Spread-Spectrum Embeddingによるロバストな画像透かし
- Authors: Wei Song, Yuxin Cao, Zhenchang Xing, Liming Zhu, Jin Song Dong, Yulei Sui, Jingling Xue,
- Abstract要約: 古典的な透かし原理である拡散スペクトル埋め込みを、現代のニューラルなポストホット透かしアーキテクチャの中で再検討する。
既存のエンコーダデコーダでは、各メッセージビットが画像のごく一部を占める。
SpreadMarkは、各ビットを画像全体に密度の高い擬似ランダムコードワードとして展開し、学習した隠蔽チップ表現にマッチしたフィルタリングによってそれを復元する。
- 参考スコア（独自算出の注目度）: 35.24760637584417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Invisible image watermarks are increasingly used for deepfake detection and provenance tracking, where they must survive not only incidental distortions but also deliberate removal. We revisit spread-spectrum embedding, a classical watermarking principle, inside a modern neural post-hoc watermarking architecture. Our starting point is a measurement: in existing encoder-decoder schemes each message bit occupies only a small fraction of the image, a shared contributing factor to their fragility, since removal then need only disturb the region a bit occupies. SpreadMark instead spreads each bit as a dense pseudo-random codeword over the whole image and recovers it by matched-filtering a learned cover-suppressed chip representation, with a parallel convolutional decoding path and sparsification-aware training. A conditional chip-space analysis shows that, under a codeword-independent perturbation model, dense spreading increases the budget required to disrupt matched-filter recovery. Evaluated on COCO and DIV2K against nine schemes, SpreadMark is the only evaluated method retaining high detection under both the regeneration and the latent-space sparsification settings we test, with competitive JPEG and additive-noise robustness. It keeps the embedded watermark imperceptible, maintaining high perceptual quality on both COCO and DIV2K.
- Abstract（参考訳）: 見えない画像の透かしはディープフェイクの検出や前兆追跡にますます使われており、そこでは偶発的な歪みだけでなく故意の除去も生き残らなければならない。
古典的な透かし原理である拡散スペクトル埋め込みを、現代のニューラルなポストホット透かしアーキテクチャの中で再検討する。
既存のエンコーダ・デコーダでは、各メッセージビットは画像のごく一部しか占有していないが、その脆弱性に対する共有的な寄与要因である。
SpreadMarkは画像全体に擬似ランダムコードワードとして各ビットを拡散させ、学習されたカバー抑圧チップ表現をマッチングフィルタリングすることで、並列畳み込みデコーディングパスとスパシフィケーション対応のトレーニングによってそれを回復する。
条件付きチップ空間解析により、コードワードに依存しない摂動モデルの下では、密拡散はマッチングフィルタの回復を妨害するために必要な予算を増加させることを示した。
9つのスキームに対してCOCOとDIV2Kで評価され、SpreadMarkは、私たちがテストしたリジェネレーションと潜時空間のスパーシフィケーション設定の両方の下で高い検出を保持する唯一の評価方法であり、競合JPEGと加算雑音の堅牢性がある。
埋め込まれた透かしは認識不能であり、COCOとDIV2Kの両方で高い知覚品質を維持する。
関連論文リスト
- T2SMark: Balancing Robustness and Diversity in Noise-as-Watermark for Diffusion Models [89.29541056113442]
T2SMarkはTail-Truncated Smpling(TTS)に基づく2段階の透かし方式である
U-NetとDiTのバックボーンを用いた拡散モデル上でのT2SMarkの評価を行った。
論文 参考訳（メタデータ） (2025-10-25T16:55:55Z) - Towards Robust Red-Green Watermarking for Autoregressive Image Generators [17.784976310663104]
本稿では,自己回帰(AR)画像モデルにおける世代内透かしの利用について検討する。
ARモデルは、視覚トークンのシーケンスを自動回帰予測して画像を生成し、それをピクセルにデコードする。
大規模言語モデルの赤緑色の透かしに着想を得て,次の予測に偏ったトークンレベルの透かし方式を検討した。
類似したトークンを同じ集合に割り当てるために、視覚トークンクラスタリングに依存する2つの新しい透かし手法を提案する。
論文 参考訳（メタデータ） (2025-08-08T19:14:22Z) - 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) - 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) - Practical Deep Dispersed Watermarking with Synchronization and Fusion [10.633580224539337]
我々は,textbfSynchronization と textbfFusion を併用した,実践的なdeep textbfDispersed textbfWatermarkingを提案する。
我々の盲目透かしは、平均してビット精度を5.28%改善し、5.93%を単独攻撃と組み合わせ攻撃に対して改善することができる。
論文 参考訳（メタデータ） (2023-10-23T03:34:05Z) - Tree-Ring Watermarks: Fingerprints for Diffusion Images that are
Invisible and Robust [55.91987293510401]
生成モデルのアウトプットを透かしは、著作権をトレースし、AI生成コンテンツによる潜在的な害を防ぐ重要なテクニックである。
本稿では,拡散モデル出力を頑健にフィンガープリントするTree-Ring Watermarkingという新しい手法を提案する。
私たちの透かしは画像空間に意味的に隠れており、現在デプロイされている透かしよりもはるかに堅牢です。
論文 参考訳（メタデータ） (2023-05-31T17:00:31Z) - 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) - Robust Watermarking using Diffusion of Logo into Autoencoder Feature
Maps [10.072876983072113]
本稿では,透かしのためのエンドツーエンドネットワークを提案する。
画像の内容に基づいて,畳み込みニューラルネットワーク(CNN)を用いて埋め込み強度を制御する。
異なる画像処理攻撃は、モデルの堅牢性を改善するためにネットワーク層としてシミュレートされる。
論文 参考訳（メタデータ） (2021-05-24T05:18:33Z) - 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。