論文の概要: NAWE: Digital Watermarking with Neural-Assisted Watermark Extraction

• arxiv url: http://arxiv.org/abs/2609.25972v1
• Date: Tue, 22 Sep 2026 10:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.319181
• Title: NAWE: Digital Watermarking with Neural-Assisted Watermark Extraction
• Title（参考訳）: NAWE:ニューラル支援型透かし抽出による電子透かし
• Abstract要約: NAWEは、明示的な信号処理の透かし構造と事前訓練されたニューラルネットワークホスト予測器を組み合わせる。 1段階の研究では、Wiener、BM3D、DRUNet、GS-DRUNetホスト推定器を比較している。 TrustMark、SSL Watermarking、PixelSeal、WAMと比較すると、NAWEの最も低い幾何学的および測光的なクラスBERと強いメッセージリカバリを示している。
• 参考スコア（独自算出の注目度）: 5.905114656213422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: NAWE (Neural-Assisted Watermark Extraction) combines an explicit signal-processing watermarking construction with a pretrained neural host predictor. A periodic, perceptually masked watermark carrier provides synchronization, Polar coding supplies redundancy, and denoising followed by subtraction extracts the embedded watermark. The denoiser remains frozen, without watermark-specific training. A one-factor-at-a-time study compares Wiener, BM3D, DRUNet, and GS-DRUNet host estimators. Comparisons with TrustMark, SSL Watermarking, PixelSeal, and WAM show NAWE's lowest geometric and photometric class BER and strong message recovery, while filtering and noise remain limitations consistent with the non-adaptive selection of the watermark extractor. The comparison retains the systems' different payloads and coding.
• Abstract（参考訳）: NAWE (Neural-Assisted Watermark extract) は、明示的な信号処理型透かし構造と事前訓練されたニューラルネットワークホスト予測器を組み合わせる。 周期的かつ知覚的にマスクされた透かし担体は同期を提供し、極性符号化供給冗長性を与え、次に減光し、埋め込み透かしを抽出する。 デノイザーは、透かし特有の訓練を受けずに凍ったままである。 1段階の研究では、Wiener、BM3D、DRUNet、GS-DRUNetホスト推定器を比較している。 TrustMark、SSL Watermarking、PixelSeal、WAMと比較すると、NAWEの最も低い幾何学的および測光的クラスBERと強いメッセージ回復を示す一方で、フィルタリングとノイズはウォーターマーク抽出器の非適応的な選択と矛盾しないままである。 比較はシステムの異なるペイロードとコーディングを保持する。

関連論文リスト

• SPFM-Net: Semantic-Prior-Guided Frequency-Constrained Mamba for Invisible Watermark Attack [13.95278003579795]
  SPFM-Netは、目に見えない透かし攻撃のための、セマンティック優先および周波数制約のMambaフレームワークである。 SPFM-Netはまず、目に見えない透かし信号の空間的コヒーレンスを乱すために高比マスキングを用いる。 ライトウェイトなマンバをベースとしたGlobal State-space Feature Modelingユニットは、透かしに関連した特徴と自然画像コンテンツとを分離するために導入された。
  論文  参考訳（メタデータ） (2026-07-30T07:50:49Z)
• ArmSSL: Adversarial Robust Black-Box Watermarking for Self-Supervised Learning Pre-trained Encoders [15.215357196666126]
  ArmSSLは、ブラックボックスの検証性と敵の堅牢性を保証するSSL透かしフレームワークである。 我々は、ArmSSLが優れたオーナシップ検証、無視可能なユーティリティ劣化、各種の敵検出・削除に対して強い堅牢性を実現していることを示す。
  論文  参考訳（メタデータ） (2026-04-24T13:40:25Z)
• AWPD: Frequency Shield Network for Agnostic Watermark Presence Detection [6.641356834127894]
  我々はAWPD(Agnostic Watermark Presence Detection)という新しいタスクを提案する。 AWPDは、画像が復号情報を必要とせずに著作権マークを持っているかどうかを特定することを目的としている。 We construct the UniFreq-100K dataset, including large-scale sample across various visible watermark embedded algorithm。
  論文  参考訳（メタデータ） (2026-03-06T01:10:47Z)
• MarkSweep: A No-box Removal Attack on AI-Generated Image Watermarking via Noise Intensification and Frequency-aware Denoising [15.570983503312227]
  MarkSweepは、視覚的品質を劣化させることなく、AI生成画像から埋め込まれた透かしを消去する新しい透かし除去攻撃である。 エッジ対応ガウス摂動により高周波領域の透かしノイズを増幅し、清潔な画像に注入する。 学習可能な周波数分解モジュールと周波数認識融合モジュールの2つのモジュールを統合し、増幅ノイズを抑制し、透かし跡を除去する。
  論文  参考訳（メタデータ） (2026-02-17T05:19:00Z)
• OSI: One-step Inversion Excels in Extracting Diffusion Watermarks [56.210696479553945]
  ガウスシェーディングスタイルの透かしを抽出する手法であるワンステップインバージョン(OSI)を提案する。 OSIは、透かし抽出を学習可能な記号分類問題として再構成し、初期雑音の正確な回帰を不要にする。 我々のOSIは,20倍高速で,抽出精度が向上し,透かしペイロード容量が2倍になる多段拡散インバージョン法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-10T07:43:16Z)
• 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)
• An Ensemble Framework for Unbiased Language Model Watermarking [60.99969104552168]
  本研究では,アンサンブル・フレームワークであるENSを提案する。 ENSは複数の独立した透かしインスタンスを順次構成し、それぞれ異なるキーによって管理され、透かし信号を増幅する。 実験的な評価では、ENSは信頼できる検出に必要なトークンの数を大幅に減らし、平滑化やパラフレージング攻撃に対する耐性を高めている。
  論文  参考訳（メタデータ） (2025-09-28T19:37:44Z)
• 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)
• Unbiased Watermark for Large Language Models [67.43415395591221]
  本研究では, モデル生成出力の品質に及ぼす透かしの影響について検討した。 出力確率分布に影響を与えることなく、透かしを統合することができる。 ウォーターマークの存在は、下流タスクにおけるモデルの性能を損なうものではない。
  論文  参考訳（メタデータ） (2023-09-22T12:46:38Z)
• 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)

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。