論文の概要: WARP: A Unified Benchmark for Invisible Image Watermarking -- Robustness and Protection Against Attacks

• arxiv url: http://arxiv.org/abs/2609.40031v1
• Date: Wed, 30 Sep 2026 16:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.998332
• Title: WARP: A Unified Benchmark for Invisible Image Watermarking -- Robustness and Protection Against Attacks
• Title（参考訳）: WARP: 見えない画像の透かしのための統一ベンチマーク -- 攻撃に対するロバスト性と保護
• Abstract要約: 我々は、目に見えない透かしの堅牢性を評価するための統一されたフレームワークとベンチマークであるWARPを紹介する。 WARPは、最近の32の古典的、深い、そして生成的な透かし法と34の異なる消去技法を取り入れている。 その結果, 歪み条件と逆条件条件の両方で最も頑健なアプローチが特定され, ウォーターマーキング法と攻撃戦略の一貫性が示された。
• 参考スコア（独自算出の注目度）: 32.43804936615412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital image watermarking is increasingly critical in media contexts, as emerging regulations and industry practices require marking AI-generated content and ensuring traceable sources to prevent manipulation or misuse. Recent advances in invisible watermarking methods highlight the need to update existing benchmarking practices to reflect current techniques and evaluation criteria. We address this by introducing WARP -- a unified framework and benchmark for evaluating the robustness of invisible watermarks. WARP incorporates 32 recent classical, deep, and generative watermarking methods, as well as 34 different erasing techniques, ranging from traditional distortions to more sophisticated adversarial, purification, and re-embedding attacks. It provides standardized, reproducible, and easily scalable protocols for evaluating perceptual quality, watermark readability, and attack resilience. Using WARP, we extensively evaluate current invisible watermarking techniques, collecting the largest robustness benchmark in the field. Results identify the most robust approaches under both distortion and adversarial conditions, and reveal consistent relationships between watermarking methods and the attack strategies most effective against them. Our experiments also highlight that some of the watermarking methods considered are highly vulnerable to reembedding, even if they are robust to standard distortions. The code is made available at https://github.com/ispras/wibe.
• Abstract（参考訳）: デジタル画像の透かしは、新たな規制や業界慣行がAI生成コンテンツをマークし、操作や誤用を防ぐためにトレース可能なソースを確保する必要があるため、メディアの文脈でますます重要になっている。 目に見えない透かし手法の最近の進歩は、現在の技術や評価基準を反映した既存のベンチマークプラクティスの更新の必要性を浮き彫りにしている。 我々は、目に見えない透かしの堅牢性を評価するための統一されたフレームワークとベンチマークであるWARPを導入することで、この問題に対処する。 WARPは、最近の32の古典的、深く、生成的な透かし法と34の異なる消去技法を取り入れている。 これは、知覚品質、透かしの可読性、アタックレジリエンスを評価するための標準化され、再現可能で、スケーラブルなプロトコルを提供する。 WARPを用いて、現在目に見えない透かし手法を広範囲に評価し、この分野で最大のロバスト性ベンチマークを収集する。 その結果, 歪み条件と逆条件条件の両方で最も頑健なアプローチが特定され, ウォーターマーキング法と攻撃戦略の一貫性が示された。 また,本実験では,標準的な歪みに対して頑健である場合でも,透かし方法のいくつかは再埋め込みに非常に脆弱であることを示した。 コードはhttps://github.com/ispras/wibe.comで公開されている。

関連論文リスト

• 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)
• 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)
• CEFW: A Comprehensive Evaluation Framework for Watermark in Large Language Models [12.565502899825724]
  本稿では,5つの重要次元にわたる透かし手法を包括的に評価する統合フレームワークを提案する。 これには、検出の容易さ、テキスト品質の忠実さ、埋め込みコストの最小化、敵攻撃に対する堅牢性、模倣や偽造を防ぐための非受容性などが含まれる。 本稿では,透かし情報の追加方法のバランスをとることで,堅牢性と非受容性を保証できるBa balanced Watermark (BW)を紹介した。
  論文  参考訳（メタデータ） (2025-03-24T13:50:32Z)
• Certifiably Robust Image Watermark [57.546016845801134]
  ジェネレーティブAIは、偽情報やプロパガンダキャンペーンの促進など、多くの社会的懸念を提起する。 ウォーターマークAI生成コンテンツは、これらの懸念に対処するための重要な技術である。 本報告では, 除去・偽造攻撃に対するロバスト性保証を保証した最初の画像透かしを提案する。
  論文  参考訳（メタデータ） (2024-07-04T17:56:04Z)
• 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)
• WAVES: Benchmarking the Robustness of Image Watermarks [67.955140223443]
  WAVES(Watermark Analysis Via Enhanced Stress-testing)は、画像透かしの堅牢性を評価するためのベンチマークである。 我々は,検出タスクと識別タスクを統合し,多様なストレステストからなる標準化された評価プロトコルを確立する。 我々はWAVESを,ロバストな透かしの将来の開発のためのツールキットとして想定する。
  論文  参考訳（メタデータ） (2024-01-16T18:58:36Z)
• Robustness of AI-Image Detectors: Fundamental Limits and Practical Attacks [47.04650443491879]
  我々は、透かしやディープフェイク検出器を含む様々なAI画像検出器の堅牢性を分析する。 ウォーターマーキング手法は,攻撃者が実際の画像をウォーターマーキングとして識別することを目的としたスプーフ攻撃に対して脆弱であることを示す。
  論文  参考訳（メタデータ） (2023-09-29T18:30:29Z)
• 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。