論文の概要: Disentangle and Drop: Robust Universal Removal of Image Watermarks via Reconstructive Grayscale Residual Decomposition

• arxiv url: http://arxiv.org/abs/2609.31693v1
• Date: Fri, 18 Sep 2026 06:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:47:21.091624
• Title: Disentangle and Drop: Robust Universal Removal of Image Watermarks via Reconstructive Grayscale Residual Decomposition
• Title（参考訳）: 乱れと落下:再構成グレイスケール残差分解による画像透かしのロバストなユニバーサル除去
• Abstract要約: 本研究では,透かし法に非依存な攻撃であるDistangle and Dropを提案し,透かし除去を表現経路問題として扱う。 DnDは、透かし画像をセマンティックグレースケールのキャリアと補助的な残留ブランチに分解し、その後、残留ブランチを抑圧して透かしの証拠を減らす。 7つの代表的なウォーターマークファミリーの実験では、1つの共有操作設定が、高い視覚的忠実度で競争的な除去をもたらすことが示されている。
• 参考スコア（独自算出の注目度）: 18.018245891278674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Invisible image watermarks are commonly evaluated against benign postprocessing operations such as compression, resizing, blur, and color changes. These tests leave out a different threat: a learned remover that preserves semantic image content while discarding residual evidence that carries the payload. We propose Disentangle and Drop (DnD), an attack that is agnostic to the watermark method and treats watermark removal as a representation routing problem. DnD decomposes a watermarked image into a semantic grayscale carrier and an auxiliary residual branch, and then suppresses the residual branch to reduce watermark evidence. The model is trained with latent spectral perturbations and low-strength diffusion exposure so that the drop operation remains stable under adaptive reconstruction. Experiments on seven representative watermark families show that one shared operating setting gives competitive removal with high visual fidelity. Operating scans and ablations separate usable attacks from image-damaging settings: stronger noise or diffusion can raise removal scores by damaging the image, while the practical regime comes from dropping the residual latent. These results argue for evaluating watermark robustness against learned removal at the representation level, not only against conventional image edits.
• Abstract（参考訳）: 可視画像透かしは、圧縮、リサイズ、ぼかし、色の変化などの良質な後処理操作に対して一般的に評価される。 これらのテストでは、セマンティックイメージの内容を保存し、ペイロードを運ぶ残余の証拠を破棄する学習された削除器という、別の脅威が指摘されている。 本稿では,透かし法に非依存な攻撃であるディスタングル・アンド・ドロップ(DnD)を提案し,透かし除去を表現経路問題として扱う。 DnDは、透かし画像をセマンティックグレースケールのキャリアと補助的な残留ブランチに分解し、その後、残留ブランチを抑圧して透かしの証拠を減らす。 このモデルは、遅延スペクトル摂動と低強度拡散露光により、適応的再構成下での落下動作を安定に維持するように訓練される。 7つの代表的なウォーターマークファミリーの実験では、1つの共有操作設定が、高い視覚的忠実度で競争的な除去をもたらすことが示されている。 より強いノイズや拡散は、画像を傷つけることによって除去スコアを上昇させるが、現実的な状態は、残余の潜伏剤を落とすことに由来する。 これらの結果は,従来の画像編集に限らず,学習した除去に対する透かしの頑健さを表現レベルで評価するものである。

関連論文リスト

• Removing the Watermark Is Not Enough: Forensic Stealth in Generative-AI Watermark Removal [5.339825757276247]
  現在の透かし除去攻撃は、この強い目的を達成できないことを示す。 4つの攻撃ファミリーにまたがる6つの最先端の除去装置のうち、独立した法医学的検出装置は、クリーン画像からの除去処理された出力を98%以上の真正の速度で区別する。 この信号は, 共通の後処理下で持続し, 特徴的な2相スペクトル変形を示し, 除去成功, 画像品質, 法医学ステルスの3方向張力が得られることを示す。
  論文  参考訳（メタデータ） (2026-05-09T22:45:48Z)
• Editing Away the Evidence: Diffusion-Based Image Manipulation and the Failure Modes of Robust Watermarking [0.3644540605358075]
  拡散ベースの画像編集はノイズを注入し、強力な生成前処理を通じて画像を再構成する。 非対向拡散編集は無意識に劣化したり、頑健な透かしを除去できることを示す。 結果は、定期的なセマンティック編集でさえ、透かしの復元可能性を大幅に低下させることを示している。
  論文  参考訳（メタデータ） (2026-03-13T12:46:27Z)
• Vanishing Watermarks: Diffusion-Based Image Editing Undermines Robust Invisible Watermarking [3.583615559438432]
  強力な拡散ベースの画像生成と編集技術は、堅牢な透かし方式に新たな脅威をもたらす。 従来の歪みに耐えられるように設計された透かしであっても,拡散モデルによりロバストな透かしを効果的に消し去ることができることを示す。 誘導拡散に基づく攻撃は, 発生時に埋め込まれた透かし信号に的を絞ったもので, 透かし検出性を著しく低下させる。
  論文  参考訳（メタデータ） (2026-02-24T08:34:48Z)
• Diffusion-Based Image Editing: An Unforeseen Adversary to Robust Invisible Watermarks [4.138397555991069]
  強力な拡散ベースの画像生成と編集モデルは、埋め込みの透かしを不注意に取り除いたり歪んだりすることができる。 本稿では,拡散に基づく画像編集が,最先端のロバストな透かしを効果的に破壊できることを示す理論的,実証的な分析を行う。 画像から透かしを消去するために生成画像再生を用いた拡散誘導攻撃を提案する。
  論文  参考訳（メタデータ） (2025-11-05T16:20:29Z)
• Saliency-Aware Diffusion Reconstruction for Effective Invisible Watermark Removal [18.47018538990973]
  本稿では,Web上での透かし除去のための新しいSaliency-Aware Diffusion Reconstructionフレームワークを提案する。 SADREは、ターゲットノイズをサリエンシマスクでガイドされた潜在表現に注入することで、埋め込み透かしを妨害する。 逆拡散プロセスは、透かし強度によって決定される適応ノイズレベルを利用して、高忠実度画像復元を保証する。
  論文  参考訳（メタデータ） (2025-04-17T10:15:10Z)
• Gaussian Shading: Provable Performance-Lossless Image Watermarking for Diffusion Models [71.13610023354967]
  著作権保護と不適切なコンテンツ生成は、拡散モデルの実装に課題をもたらす。 本研究では,性能ロスレスかつトレーニング不要な拡散モデル透かし手法を提案する。
  論文  参考訳（メタデータ） (2024-04-07T13:30:10Z)
• Perceptive self-supervised learning network for noisy image watermark removal [59.440951785128995]
  雑音の多い画像透かし除去のための知覚的自己教師型学習ネットワーク(PSLNet)を提案する。 提案手法は,雑音の多い画像透かし除去のための一般的な畳み込みニューラルネットワーク(CNN)と比較して非常に効果的である。
  論文  参考訳（メタデータ） (2024-03-04T16:59:43Z)
• Removing Interference and Recovering Content Imaginatively for Visible Watermark Removal [63.576748565274706]
  本研究では,Removing Interference and Recovering Content Imaginatively (RIRCI)フレームワークについて紹介する。 RIRCIは2段階のアプローチを具現化しており、最初のフェーズは透かし成分の識別と分離に焦点を当て、次のフェーズは背景コンテンツの復元に焦点を当てている。 本モデルでは,半透明透かしの下の固有背景情報を完全に探索できるデュアルパスネットワークを用いる。
  論文  参考訳（メタデータ） (2023-12-22T02:19:23Z)
• WDNet: Watermark-Decomposition Network for Visible Watermark Removal [61.14614115654322]
  透かしのサイズ、形状、色、透明さの不確かさは、画像から画像への翻訳技術にとって大きな障壁となった。 従来の透かし画像分解を2段発電機(WDNet(Watermark-Decomposition Network))に組み合わせます。 分解製剤は、WDNetが単に削除するのではなく、画像から透かしを分離することができます。
  論文  参考訳（メタデータ） (2020-12-14T15:07:35Z)

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。