論文の概要: DeMark: A Query-Free Black-Box Attack for Quality-Preserving Audio Watermark Removal

• arxiv url: http://arxiv.org/abs/2609.34003v1
• Date: Sun, 27 Sep 2026 23:03:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 07:52:16.2921
• Title: DeMark: A Query-Free Black-Box Attack for Quality-Preserving Audio Watermark Removal
• Title（参考訳）: DeMark:品質保全のためのクエリフリーのブラックボックス攻撃
• Abstract要約: 品質保存型音声透かし除去のためのクエリフリーブラックボックスアタックであるDeMarkを提案する。 私たちの重要な洞察は、透かしの埋め込みは知覚的に隠されているものの、時間周波数領域に微妙な非音声アーティファクトを導入することができるということです。 DeMarkは、既存の適応攻撃よりも高い知覚品質を維持しながら、平均攻撃成功率0.92と0.96を達成する。
• 参考スコア（独自算出の注目度）: 8.455808207355753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio watermarking protects digital speech by embedding imperceptible signals for ownership verification and misuse tracing. However, the security of learning-based watermarking remains insufficiently understood under realistic adversarial removal, where attackers cannot access or query the watermark encoder, decoder, or detector. Existing attacks either rely on model feedback, require clean-watermarked pairs, or reconstruct the waveform with generative models, often leading to high query costs, limited generalization, or degraded perceptual quality. In this paper, we propose DeMark, a query-free black-box attack for quality-preserving audio watermark removal. Our key insight is that watermark embedding, while perceptually hidden, can introduce subtle non-speech artifacts in the time-frequency domain that are not fully aligned with natural speech. DeMark removes watermarks by suppressing these artifacts through two stages: Diverse Artifact Learning, which extracts complementary non-stationary and stationary artifact patterns, and Adaptive Artifact Scaling, which adaptively combines and amplifies them under quality-preserving constraints. Across two speech datasets and four state-of-the-art watermarking methods, DeMark achieves average attack success rates of 0.92 and 0.96 while consistently preserving higher perceptual quality than existing adaptive attacks. These results reveal a practical vulnerability of current audio watermarking systems and call for more robust watermark designs against query-free adversarial removal.
• Abstract（参考訳）: オーディオ透かしは、所有者認証と誤用追跡のために、認識不能な信号を埋め込むことで、デジタル音声を保護する。 しかし、学習に基づく透かしのセキュリティは、攻撃者が透かしエンコーダ、デコーダ、検出器にアクセスまたはクエリできない現実的な敵の除去の下では、十分に理解されていない。 既存の攻撃はモデルフィードバックに頼るか、クリーンウォーターマークのペアを必要とするか、あるいは生成モデルで波形を再構築する。 本稿では,品質保存型音声透かし除去のためのクエリフリーブラックボックスアタックであるDeMarkを提案する。 我々の重要な洞察は、透かしの埋め込みは知覚的に隠されているものの、自然な音声と完全に一致していない時間周波数領域に微妙な非音声アーティファクトを導入することができるということである。 DeMarkは、これらアーティファクトを2段階に分けて抑制することで、透かしを除去する。Diverse Artifact Learningは、補完的な非定常および定常アーティファクトパターンを抽出し、Adaptive Artifact Scalingは、品質保持制約の下でそれらを適応的に組み合わせ、増幅する。 2つの音声データセットと4つの最先端の透かし手法で、DeMarkは、既存の適応攻撃よりも高い知覚品質を維持しつつ、平均的な攻撃成功率0.92と0.96を達成する。 これらの結果から,現在の音声透かしシステムにおいて,より堅牢な透かし設計が求められている。

関連論文リスト

• Audio Pirates: Black-box Audio Watermark Removal via Diffusion Priors [44.562700127905295]
  対象の透かし方式の知識を前提としないブラックボックス型透かし除去攻撃であるDiffEraseを提案する。 DiffEraseは複数のオーディオ領域にまたがる知覚品質を維持しながら、常に透かしを除去する。 これらの知見は,拡散型脅威を考慮した将来の音声透かし設計の必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-05-28T22:07:32Z)
• Hidden in Plain Tokens: Simply Robust, Gradient-Free Watermark for Synthetic Audio [58.612001688217056]
  自己回帰モデルに対する推論時透かしは、離散化の不整合による連続的なモダリティには適さない。 合成音声の強力で堅牢な透かしのためのエレガントな解法を提案する。
  論文  参考訳（メタデータ） (2026-05-25T15:43:20Z)
• RecoverMark: Robust Watermarking for Localization and Recovery of Manipulated Faces [16.612226216769262]
  本稿では,ロバストな操作ローカライゼーション,コンテンツリカバリ,オーナシップ検証を同時に実現する透かしフレームワークであるRecoverMarkを提案する。 まず、視覚的な検出を避けるために、敵は背景のセマンティックな一貫性を保たなければならない。 これらの洞察に基づいて、RecoverMarkは保護された顔コンテンツ自体を透かしとして扱い、周囲の背景に埋め込む。
  論文  参考訳（メタデータ） (2026-02-24T07:11:40Z)
• DeMark: A Query-Free Black-Box Attack on Deepfake Watermarking Defenses [25.492274324587058]
  DeMarkは、ディープフェイクの防御的なイメージ透かしスキームをターゲットにした、クエリフリーのブラックボックスアタックフレームワークである。 エンコーダ・デコーダ・ウォーターマーキングモデルにおける潜時空間の脆弱性を圧縮センシングに基づくスペーシフィケーションプロセスにより活用する。 DeMarkは、透かし検出の精度を、自然の視覚的品質を維持しながら、平均で100%から32.9%に下げる。
  論文  参考訳（メタデータ） (2026-01-23T06:04:43Z)
• ComMark: Covert and Robust Black-Box Model Watermarking with Compressed Samples [14.929889375744368]
  ComMarkは、新しいブラックボックスモデルウォーターマーキングフレームワークである。 我々はComMarkが隠蔽性とロバスト性の両方において最先端のパフォーマンスを達成することを示す。 画像認識を超えて、音声認識、感情分析、画像生成、画像キャプション、ビデオ認識などのタスクにも適用可能である。
  論文  参考訳（メタデータ） (2025-12-16T05:10:32Z)
• 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)
• IConMark: Robust Interpretable Concept-Based Watermark For AI Images [50.045011844765185]
  我々は,新しい世代のロバストなセマンティックな透かし法であるIConMarkを提案する。 IConMarkは、解釈可能な概念をAI生成イメージに組み込み、敵の操作に耐性を持たせる。 我々は、検出精度と画質の維持の観点から、その優位性を実証する。
  論文  参考訳（メタデータ） (2025-07-17T05:38:30Z)
• UnMarker: A Universal Attack on Defensive Image Watermarking [4.013156524547072]
  防衛的な透かしに対する最初の実践的普遍的な攻撃であるUnMarkerを紹介します。 UnMarkerは検出器のフィードバックを必要とせず、透かしスキームや類似したモデルに関する非現実的な知識も必要とせず、先進的な復調パイプラインも必要としない。 SOTAスキームに対する評価は、UnMarkerの有効性を証明する。
  論文  参考訳（メタデータ） (2024-05-14T07:05:18Z)
• ClearMark: Intuitive and Robust Model Watermarking via Transposed Model Training [50.77001916246691]
  本稿では,人間の直感的な評価を目的とした最初のDNN透かし手法であるClearMarkを紹介する。 ClearMarkは目に見える透かしを埋め込んで、厳格な値閾値なしで人間の意思決定を可能にする。 8,544ビットの透かし容量は、現存する最強の作品に匹敵する。
  論文  参考訳（メタデータ） (2023-10-25T08:16:55Z)
• Certified Neural Network Watermarks with Randomized Smoothing [64.86178395240469]
  本稿では,ディープラーニングモデルのための認証型透かし手法を提案する。 我々の透かしは、モデルパラメータが特定のl2しきい値以上変更されない限り、取り外し不可能であることが保証されている。 私たちの透かしは、従来の透かし法に比べて経験的に頑丈です。
  論文  参考訳（メタデータ） (2022-07-16T16:06:59Z)

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。