論文の概要: BrushOff: Stroke-Based Re-rendering as a Watermark Removal Attack on Painting

• arxiv url: http://arxiv.org/abs/2610.26682v1
• Date: Mon, 19 Oct 2026 16:28:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 01:59:31.842579
• Title: BrushOff: Stroke-Based Re-rendering as a Watermark Removal Attack on Painting
• Title（参考訳）: BrushOff: 絵画のウォーターマーク除去攻撃としてストロークをベースとした再レンダリング
• Abstract要約: 不可視の透かしは、絵の持ち主を示すために使われる。 単純な攻撃では、テストする最も堅牢な攻撃が取り除かれます。 トレーニングも、透かしの知識も、生成モデルも必要ありません。
• 参考スコア（独自算出の注目度）: 5.14549984289357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Invisible watermarks are used to mark who owns a painting. We show that a simple attack removes the most robust one we test. The attack redraws the watermarked painting with brush strokes, using a pretrained stroke-based renderer. We call this attack BrushOff. It needs no training, no knowledge of the watermark, and no generative model. We test four watermarks on 500 paintings from five styles. VINE, a recent watermark built to survive image editing, survives all 14 conventional distortions we test, with at least 97.8% detection. Repainting lowers its detection to 1.8%, while the output keeps a no-reference quality score close to that of the clean paintings. Diffusion regeneration can also remove VINE, but at the same removal level it moves the image twice as far from the painting in DreamSim distance, and it changes what the painting shows. Because the renderer draws a countable number of strokes, we can control the attack strength step by step. Finally, we test what kind of signal survives. A simple probe that stores bits in the relative brightness of neighboring regions survives repainting, while a probe that uses absolute brightness does not. The same probe fails under diffusion regeneration, while VINE fails under repainting. Robustness to these two attacks is therefore a separate property, and benchmarks should test both.
• Abstract（参考訳）: 不可視の透かしは、絵の持ち主を示すために使われる。 単純な攻撃では、テストする最も堅牢な攻撃が取り除かれます。 この攻撃は、予め訓練されたストロークベースのレンダラーを使用して、水彩画をブラシストロークで再描画する。 この攻撃を BrushOff と呼ぶ。 トレーニングも、透かしの知識も、生成モデルも必要ない。 5つのスタイルから500点の絵画に4つの透かしをテストします。 画像編集を生き残るために作られた最近の透かしであるVINEは、少なくとも97.8%の検知で、私たちがテストした14の従来の歪み全てを生き残る。 再塗装は検出を1.8%まで下げる一方、出力はクリーンな絵画のそれに近い非参照品質のスコアを維持する。 拡散再生はVINEを除去することもできますが、同時に除去レベルでは、DreamSimから2倍離れた距離で画像を移動させます。 レンダラーは無数のストロークを描画するので、攻撃強度を段階的に制御できる。 最後に、どのような信号が生き残るかをテストする。 隣接する領域の相対輝度にビットを格納する単純なプローブは、絶対輝度を使用するプローブは、再塗装を継続する。 同じプローブは拡散再生時にフェールし、VINEは再塗装時にフェールする。 これら2つの攻撃に対するロバスト性は別個の性質であり、ベンチマークは両方をテストする必要がある。

関連論文リスト

• An Undetectable Watermark for Generative Image Models [65.31658824274894]
  生成画像モデルに対する検出不能な最初の透かし方式を提案する。 特に、検出不能な透かしは、効率的に計算可能なメートル法で画質を劣化させることはない。 提案手法は,擬似乱数誤り訂正符号を用いて拡散モデルの初期潜時間を選択する。
  論文  参考訳（メタデータ） (2024-10-09T18:33:06Z)
• Invisible Image Watermarks Are Provably Removable Using Generative AI [47.25747266531665]
  Invisibleの透かしは、所有者によってのみ検出可能な隠されたメッセージを埋め込むことで、画像の著作権を保護する。 我々は、これらの見えない透かしを取り除くために、再生攻撃のファミリーを提案する。 提案手法は,まず画像にランダムノイズを加えて透かしを破壊し,画像を再構成する。
  論文  参考訳（メタデータ） (2023-06-02T23:29:28Z)
• 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。