論文の概要: ReliaGuard: Reconstruction-Aware Watermarking for Source Attribution and Blind Edit Localization
- arxiv url: http://arxiv.org/abs/2611.16368v1
- Date: Thu, 12 Nov 2026 06:33:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.377839
- Title: ReliaGuard: Reconstruction-Aware Watermarking for Source Attribution and Blind Edit Localization
- Title(参考訳): ReliaGuard: ソース属性とブラインド編集ローカライゼーションのためのリコンストラクション対応の透かし
- Abstract要約: 生成画像編集は、コンテンツ作成を容易にするが、ソースの属性と編集の検証を複雑にする。
我々は、ソース属性とブラインド編集のローカライゼーションのための再構成対応の透かしフレームワークであるReliaGuardを提案する。
- 参考スコア(独自算出の注目度): 2.715530835947924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative image editing facilitates content creation but complicates source attribution and edit verification. Existing watermarking methods combine copyright protection with tamper localization, yet background reconstruction can weaken spatial evidence even when source identifiers remain recoverable. We propose ReliaGuard, a reconstruction-aware watermarking framework for source attribution and blind edit localization. The writer optimizes keyed feature responses in both the protected image and its variational autoencoder reconstruction under image-distortion and source-preservation constraints. Using only the received image and a secret key, the reader combines watermark responses with local image context through residual evidence refinement and predicts an edit mask through native-resolution-guided multiscale reading. It is trained on complete editing outputs, locally spliced counterparts, and processed versions of both. On an independent test set of 300 source images and 900 editing cases from three image domains, our method achieves edit-region intersection-over-union scores of 85.61% for complete outputs and 94.90% for locally spliced outputs at a threshold calibrated to a nominal 1% background false-positive rate on complete outputs. The complete-output result exceeds the strongest baseline by 45.02 percentage points, while decoded identifier-bit accuracy reaches 100% in both conditions. Across seven families of image processing, the corresponding localization scores are 81.01% and 86.49%, with identifier-bit accuracies of 92.76% and 92.79%, respectively. These results support source recovery and blind edit localization under background reconstruction and subsequent image processing.
- Abstract(参考訳): 生成画像編集は、コンテンツ作成を容易にするが、ソースの属性と編集の検証を複雑にする。
既存の透かし手法は著作権保護とタンパーのローカライゼーションを組み合わせたものであるが、背景復元は、情報源の識別子が復元可能である場合でも空間的証拠を弱める可能性がある。
我々は、ソース属性とブラインド編集のローカライゼーションのための再構成対応の透かしフレームワークであるReliaGuardを提案する。
書き手は、保護された画像と、画像歪みおよびソース保存制約下での可変オートエンコーダ再構築の両方において、キー付き特徴応答を最適化する。
受信した画像とシークレットキーのみを用いて、残余のエビデンス改善を通じて、透かし応答とローカルイメージコンテキストを結合し、ネイティブレゾリューション誘導マルチスケール読解による編集マスクを予測する。
アウトプットの完全編集、ローカルスプリシング、およびその両方を処理したバージョンでトレーニングされている。
3つの画像領域からの300のソース画像と900の編集ケースの独立したテストセットにおいて、完全出力に対して85.61%、局所スプライシングされた出力に対して94.90%の編集領域交叉一致スコアが得られた。
完全な出力結果は最強のベースラインを45.02ポイント越え、デコードされた識別子ビットの精度は両方の条件で100%に達する。
7種類の画像処理で、対応するローカライゼーションスコアは81.01%と86.49%であり、識別子ビットの精度はそれぞれ92.76%と92.79%である。
これらの結果は、背景再構成とその後の画像処理において、ソース回復とブラインド編集のローカライゼーションをサポートする。
関連論文リスト
- Anchor-ECC: Local Integrity Checking for Watermarked LLM Outputs via Error-Correcting Codes [78.76894187376963]
本稿では,誤り訂正符号(ECC)制約と明示的な境界アンカーを透かし構造に組み込んだAnchor-ECCを提案する。
Qwen3-8B、Mistral-7B-Instruct-v0.3、OPT-125Mでは、約99.7%のブロックレベルの真の正のレート(TPR)が達成され、最大で7.6%の偽アラームレート(FAR)が検出できる。
論文 参考訳(メタデータ) (2026-09-30T00:56:24Z) - What Breaks Local Watermarks? A Robustness Benchmark for Local Invisible Image Watermarking [3.71859171264774]
局所的な画像透かしは、画像全体に拡散するのではなく、選択した画像領域に見えない信号を埋め込む。
既存の研究では、画像変換によるペイロードの回収とローカライゼーションの堅牢性を評価している。
55の画像変換における局所的な透かしに対する最初の体系的頑健性ベンチマークを示す。
論文 参考訳(メタデータ) (2026-09-15T08:30:39Z) - TrajMark: Ownership Attribution and Segment-Level Tamper Localization for Coding-Agent Trajectories [6.234219482022044]
TrajMarkはトレーニングフリー、対称キー、可視性のみの軌跡透かしフレームワークである。
これは、堅牢なオーナシップの属性と、脆弱な局所的整合性検証を分離する。
評価済みの全フルウォーターマークバッチで、正確な所有者を復元する。
論文 参考訳(メタデータ) (2026-09-09T16:33:02Z) - Model the Edit, Not the Image: Visual Autoregressive Editing from a Source-Centric Perspective [23.408232115772833]
次世代の視覚自己回帰モデル(VAR)は強力な生成パラダイムとして登場し、高画質の画像を生成する。
我々は、共有自己回帰文脈下で、ソース条件とターゲット条件の予測を比較したtextbfEditModを提案する。
実験の結果、EditModは強力なテキストアライメントを維持しながらソースイメージの忠実度を向上し、1つのA100 GPU上で1K画像のエンドツーエンド編集をわずか1.57秒で完了することが示された。
論文 参考訳(メタデータ) (2026-08-10T03:05:09Z) - 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) - iEdit: Localised Text-guided Image Editing with Weak Supervision [53.082196061014734]
テキスト誘導画像編集のための新しい学習法を提案する。
ソースイメージに条件付けされた画像とテキスト編集プロンプトを生成する。
画像の忠実度、CLIPアライメントスコア、および生成された画像と実際の画像の両方を定性的に編集する点において、画像に対して好ましい結果を示す。
論文 参考訳(メタデータ) (2023-05-10T07:39:14Z) - SImProv: Scalable Image Provenance Framework for Robust Content
Attribution [80.25476792081403]
我々は、クエリ画像を元の信頼できるデータベースにマッチングするフレームワークであるSImProvを提示する。
SimProvは3つのステージで構成されている。トップkの最も類似した画像を検索するためのスケーラブルな検索ステージと、候補の中からオリジナルを識別するための再ランク付けとほぼ重複した検出ステージである。
1億画像のデータセット上での効率的な検索と操作の検出を実証する。
論文 参考訳(メタデータ) (2022-06-28T18:42:36Z)
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。