論文の概要: What Limits Robustness in Deep Image Watermarking: An Analysis of Mechanisms and Their Scaling Across Capacities
- arxiv url: http://arxiv.org/abs/2609.01050v1
- Date: Tue, 01 Sep 2026 10:46:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.586823
- Title: What Limits Robustness in Deep Image Watermarking: An Analysis of Mechanisms and Their Scaling Across Capacities
- Title（参考訳）: ディープ・イメージ・ウォーターマーキングにおけるロバストネスの限界:メカニズムの解析とキャパシティのスケーリング
- Authors: Marta Bistroń, Zbigniew Piotrowski,
- Abstract要約: 本稿では,キャパシティ自体が限界なのか,他の制限を目に見えるものにするかを問う。
最初は、透かしが生き残らなければならない歪みを整理し、それらに抵抗するために開発された戦略を、それを支配する軸によって順序付けする。
第2のメカニズムは、ペイロードを空間ブロックグリッドにマッピングするスキームにおけるロバスト性を制限する3つのメカニズムを特定して測定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robustness remains the principal open problem in deep image watermarking, and what limits it becomes sharper as payload grows. This paper asks whether capacity is itself the limit or only makes other limits visible, and answers in two parts. The first organizes the distortions a watermark must survive and the strategies developed to resist them, ordering each by the axis that governs it: payload capacity for the distortions, differentiability for the strategies. The second identifies and measures three mechanisms that limit robustness in schemes mapping the payload onto a spatial block grid with extraction trained separately from a frozen embedder: desynchronization of the payload grid, the resistance of codec-induced distortion to training, and the narrowing of the usable embedding-strength window. Payloads from 64 to 16384 bits are measured, well beyond the range those strategies address. Training the extraction stage against a codec proves not merely ineffective but harmful, degrading the reading at the operating points used in training. The limits follow the class of distortion rather than capacity itself, and none is removed by further training on the extraction side, because all three arise before extraction. An evaluation protocol making claims of generalization verifiable is also contributed. The conclusions are properties of a class of designs rather than of one implementation.
- Abstract（参考訳）: 深い画像の透かしにおいて、ロバスト性は依然として主要なオープンな問題であり、ペイロードが大きくなるにつれてその限界はシャープになる。
本稿では,キャパシティ自体が限界なのか,他の制限を目に見えるものにするかを問う。
最初は、透かしが生き残らなければならない歪みを整理し、それらに抵抗するために開発された戦略を、それを管理する軸によってそれぞれ順守する。
第2のメカニズムは、ペイロードグリッドの非同期化、コーデックによるトレーニングへの歪みの耐性、使用可能な埋め込み-強度ウィンドウの狭化という3つのメカニズムを、凍結した埋め込み器から分離して訓練された抽出によって、ペイロードを空間ブロックグリッドにマッピングするスキームのロバスト性を制限するメカニズムを特定し、測定する。
64ビットから16384ビットのペイロードは、これらの戦略が扱う範囲を超えて測定される。
コーデックに対する抽出段階の訓練は、単に効果がないだけでなく有害であることを示す。
この制限はキャパシティ自体よりも歪みのクラスに従っており、3つ全てが抽出前に生じるため、抽出側のさらなる訓練によって取り除かれることはない。
また、一般化のクレームを検証可能な評価プロトコルも提供する。
結論は、一つの実装ではなく、ある設計のクラスの性質である。
関連論文リスト
- Two Black Boxes, One Solver: Encoder Probing and Decoder Attribution for Neural Multi-Attribute VRP under Hard-Mask and Recourse Decoders [0.0]
2つのブラックボックスを1つのプロトコルで開き、車両のルーティング問題を解決する方法を示す。
グラフ帰納バイアスは表現可能性とデコーダの正当性の両方を改善する。
また、リコーストレーニング体制は、単にソフトマスクではなく、実用性を表す政策を効果的に生み出していることも判明した。
論文 参考訳（メタデータ） (2026-07-05T20:19:09Z) - Adaptive state-action abstractions via rate-distortion [52.25810164390199]
強化学習は、複雑なタスクの単純なバージョンを構築するための複数のテクニックを提供する。
本稿では,抽象化自体によって引き起こされる誤りに匹敵する学習エラーが生じたら,抽象化を洗練させるという原理を提案する。
論文 参考訳（メタデータ） (2026-06-04T13:10:18Z) - Trainability Beyond Linearity in Variational Quantum Objectives [0.0]
目的自体が固定可観測表現を許容しているのは、損失がアフィンであることと、損失がアフィンであることである。
増幅可能な目的はアフィンよりも数桁大きく解決された。
論文 参考訳（メタデータ） (2026-04-20T21:12:10Z) - UniMark: Unified Adaptive Multi-bit Watermarking for Autoregressive Image Generators [1.7507301683087861]
本稿では,自動回帰画像生成のためのトレーニングフリーで統一された透かしフレームワークを提案する。
textbf Semantic Grouping (ASG)、 textbfBlockwise Multi-bit。
3つのARモデルを用いた実験により、画像品質(FID)、透かし検出精度、マルチビットメッセージ抽出における最先端性能が得られた。
論文 参考訳（メタデータ） (2026-04-12T16:22:24Z) - Towards Practical Lossless Neural Compression for LiDAR Point Clouds [84.36825469211375]
高精度な幾何学的詳細の極端に広い範囲は、効率的な文脈モデリングを妨げる。
私たちのフレームワークは2つの軽量モジュールで構成されています。
実験では、リアルタイムに競争力のある圧縮性能を示す。
論文 参考訳（メタデータ） (2026-03-26T10:02:07Z) - Character-Level Perturbations Disrupt LLM Watermarks [64.60090923837701]
我々は,Large Language Model (LLM)ウォーターマーキングのためのシステムモデルを定式化する。
我々は、透かし検出器への限られたアクセスに制約された2つの現実的な脅威モデルの特徴付けを行う。
我々は,最も制限的な脅威モデルの下で,キャラクタレベルの摂動が透かし除去に著しく有効であることを実証した。
現実的な制約下での透かし除去における文字レベルの摂動の優位性と遺伝的アルゴリズム(GA)の有効性を実験的に検証した。
論文 参考訳（メタデータ） (2025-09-11T02:50:07Z) - Robust and Transferable Backdoor Attacks Against Deep Image Compression With Selective Frequency Prior [118.92747171905727]
本稿では,学習画像の圧縮モデルに複数のトリガを付加したバックドアアタックを起動するための新しい周波数ベースのトリガインジェクションモデルを提案する。
1) 圧縮品質をビットレートと再現精度で劣化させる,2) 顔認識やセマンティックセグメンテーションといったタスク駆動型対策を目標とする,様々なシナリオに適した攻撃目標を設計する。
実験の結果, トリガーインジェクションモデルと, エンコーダパラメータの微調整を組み合わせることで, 複数のバックドアとトリガーを1つの圧縮モデルに注入することができた。
論文 参考訳（メタデータ） (2024-12-02T15:58:40Z) - WaterMAS: Sharpness-Aware Maximization for Neural Network Watermarking [11.717546811674884]
WaterMASは、堅牢性、非受容性、計算複雑性の間のトレードオフを改善する、置換型、ホワイトボックスニューラルネットワーク透かし方式である。
強靭性は攻撃の強さを制限することで確保される。
トレーニングプロセス中に透かしを挿入することで、認識不能を確保できる。
論文 参考訳（メタデータ） (2024-09-05T20:22:01Z) - Turbocharge Speech Understanding with Pilot Inference [0.9699101045941684]
本稿では,資源制約のあるエッジデバイス上での現代音声理解の促進を図る。
デバイス上での実行をスピードアップする、デバイス容量を超える入力をオフロードする、というハイブリッドなアプローチが必要です。
プロトタイプはPASUと呼ばれ、Armプラットフォーム上で6～8コアでテストされており、SOTAの精度が得られます。
論文 参考訳（メタデータ） (2023-11-22T17:14:18Z) - Fundamental Limits of Two-layer Autoencoders, and Achieving Them with
Gradient Methods [91.54785981649228]
本稿では,非線形二層型オートエンコーダについて述べる。
本結果は,人口リスクの最小化要因を特徴付け,その最小化要因が勾配法によって達成されることを示す。
符号アクティベーション関数の特別な場合において、この解析は、シャローオートエンコーダによるガウス音源の損失圧縮の基本的な限界を確立する。
論文 参考訳（メタデータ） (2022-12-27T12:37:34Z)
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。