論文の概要: Made to Measure: Designing Image Watermarks to Specification

• arxiv url: http://arxiv.org/abs/2610.00780v1
• Date: Wed, 30 Sep 2026 22:17:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.793779
• Title: Made to Measure: Designing Image Watermarks to Specification
• Title（参考訳）: 画像の透かしを仕様に設計する
• Abstract要約: 3段階の要求条件付き透かし合成フレームワークである**TAILOR*を提案する。 我々は**TAILOR**が**96.21%*のシナリオ平均要求満足度を**41.02dB*の平均PSNRで達成し、画像品質を一貫して向上させながら、既存の手法よりも堅牢性が高いことを示す。
• 参考スコア（独自算出の注目度）: 20.577083678934738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image watermarking supports provenance and attribution by embedding verifiable identity information into images. Practical deployments, however, must jointly satisfy requirements for attack resistance, false-positive rate (FPR), image quality, and latency. Existing watermarking methods are robust to different classes of transformations, so combining complementary methods can provide broader protection than any single watermark. Such composition is challenging, as additional fragments increase distortion and decoding cost and must share the same FPR budget. Therefore, we propose **TAILOR**, a request-conditioned watermark composition framework with three stages: (1) *offline characterization* measures fragment recovery, distortion, and runtime as response curves over embedding strength; (2) *joint configuration selection* encodes the request as an SMT model over these curves and solves for the lowest-distortion composition of fragments, strengths, order, and geometric recovery; and (3) *live calibration* validates the selected configuration on the user's images and refines predictions that fail to transfer. Experimental results across 7,321 distinct requests spanning five scenarios and 20 attack settings show that **TAILOR** achieves **96.21%** scenario-averaged request satisfaction with a mean PSNR of **41.02 dB**, outperforming existing methods in robustness while achieving consistently better image quality. Code is available at [https://github.com/aaFrostnova/Tailor](https://github.com/aaFrostnova/Tailor).
• Abstract（参考訳）: 画像透かしは、検証可能なアイデンティティ情報を画像に埋め込むことによって、証明と帰属を支援する。 しかし、実際のデプロイメントは、攻撃抵抗、偽陽性率(FPR)、画質、レイテンシの要件を共同で満たさなければならない。 既存の透かし法は変換の異なるクラスに対して堅牢であるため、相補的手法を組み合わせることで、単一の透かしよりも幅広い保護を提供することができる。 このような構成は、追加のフラグメントが歪みとデコードコストを増大させ、同じFPR予算を共有する必要があるため、困難である。 そこで我々は,(1)**TAILOR*という要求条件付き透かし合成フレームワークを提案する。**オフライン特性*は,埋め込み強度よりもフラグメントリカバリ,歪み,ランタイムを応答曲線として測定する;(2)*ジョイント構成選択*は,これらの曲線上でSMTモデルとして要求を符号化し,フラグメント,強度,秩序,幾何学的回復の最小歪曲構成を解く;(3)*ライブキャリブレーション*はユーザの画像上で選択した構成を検証し,転送に失敗する予測を洗練させる。 5つのシナリオと20のアタック設定にまたがる7,321の異なるリクエストに対する実験結果によると、**TAILOR*は**96.21%*のシナリオ平均要求満足度を***41.02 dB**の平均PSNRで達成し、画像の品質を一貫して向上しつつ、既存の手法よりも優れたロバスト性を実現している。 コードは[https://github.com/aaFrostnova/Tailor](https://github.com/aaFrostnova/Tailor]で入手できる。

関連論文リスト

• FlexSplat: Flexible Feed-Forward 3D Gaussian Splatting without Point Cloud Correspondence [9.30167648098673]
  我々は、新しいビュー合成(NVS)のためのフィードフォワードフレームワークであるFlexSplatを紹介した。 幾何学変換器はガウスデコーダと共同で訓練され、画像当たりのカメラパラメータと深さを予測する。 ShapeNet-SRN と Google Scanned Objects (GSO) では、FlexSplat のマッチングやアプローチが最先端のコンストラクタとして提案されている。
  論文  参考訳（メタデータ） (2026-08-08T05:52:26Z)
• Compositional Adversarial Training for Robust Visual Watermarking [74.59088755185307]
  構成変換の構造化空間上のmin-max問題として透かしの堅牢性を定式化する。 本稿では, 逐次微分可能な逆数学習を行うプラグインフレームワークであるComposeal Adversarial Training (CAT)を提案する。 CATは、同じ拡張予算でトレーニングされたランダム拡張ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-16T00:07:49Z)
• 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)
• Learning Generalizable and Efficient Image Watermarking via Hierarchical Two-Stage Optimization [90.13049455759358]
  ウォーターマーキングモデルが同時に3つの基準を達成できる2段階最適化を提案する。 HiWLは、広い適用性を維持しながら、一般化可能な潜在空間の透かし表現を効果的に学習する。 従来の方法よりも7.6%高い精度で透かし抽出が可能で、非常に低レイテンシ(8秒で処理された100K画像)を維持している。
  論文  参考訳（メタデータ） (2025-08-12T06:21:27Z)
• TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity [76.98973481600002]
  本稿では,TAG-WMと命名されたタンパ認識画像ウォーターマーキング手法を提案する。 提案手法は、4つのキーモジュールからなる: 生成品質を保ちつつ、著作権と局所化の透かしを潜伏空間に埋め込むためのデュアルマークジョイントサンプリング (DMJS) アルゴリズム。 実験結果から,TAG-WMは歪み下においても,改質性および局所化能力の両面において最先端性能を達成できることが示された。
  論文  参考訳（メタデータ） (2025-06-30T03:14:07Z)
• 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)
• Wide Flat Minimum Watermarking for Robust Ownership Verification of GANs [23.639074918667625]
  ホワイトボックス攻撃に対するロバスト性を向上したGANのための新しいマルチビット・ボックスフリー透かし手法を提案する。 透かしは、GANトレーニング中に余分な透かし損失項を追加することで埋め込む。 その結果,透かしの存在が画像の品質に与える影響は無視できることがわかった。
  論文  参考訳（メタデータ） (2023-10-25T18:38:10Z)
• T2IW: Joint Text to Image & Watermark Generation [74.20148555503127]
  画像と透かし(T2IW)への共同テキスト生成のための新しいタスクを提案する。 このT2IWスキームは、意味的特徴と透かし信号が画素内で互換性を持つように強制することにより、複合画像を生成する際に、画像品質に最小限のダメージを与える。 提案手法により,画像品質,透かしの可視性,透かしの堅牢性などの顕著な成果が得られた。
  論文  参考訳（メタデータ） (2023-09-07T16:12:06Z)
• SceneComposer: Any-Level Semantic Image Synthesis [80.55876413285587]
  任意の精度のセマンティックレイアウトから条件付き画像合成のための新しいフレームワークを提案する。 このフレームワークは、形状情報のない最低レベルのテキスト・トゥ・イメージ(T2I)に自然に還元され、最高レベルのセグメンテーション・トゥ・イメージ(S2I)となる。 本稿では,この新たなセットアップの課題に対処する,新しいテクニックをいくつか紹介する。
  論文  参考訳（メタデータ） (2022-11-21T18:59:05Z)
• Variable-Rate Deep Image Compression through Spatially-Adaptive Feature Transform [58.60004238261117]
  空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。 本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。 提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
  論文  参考訳（メタデータ） (2021-08-21T17:30:06Z)

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。