基于条件生成对抗网络的逼真可见水印去除
本文提出了一种基于 CNN 解码块插入生成器输出的数字水印算法,对生成对抗网络模型进行加密和保护。实验结果表明,该算法可将无形水印嵌入生成的图像,并在后期进行身份验证时检测到水印的存在,并且在 JPEG 压缩、添加噪声、模糊和颜色转换等后处理下,水印具有良好的抗干扰能力。
Sep, 2022
提出了一种将个人水印嵌入敌对实例生成中的新框架,以生成具有可见水印的图像,防止敌对模型模仿未授权图像,并在各种条件图像生成场景进行广泛实验,证明了敌对实例具有良好的传递性,从而提供了一种保护基于扩散模型的版权的简单而有效的方法。
Apr, 2024
本文提出利用对抗式机器学习中的稳健优化算法来提高基于卷积神经网络的数字水印框架的鲁棒性,在 COCO 数据集上的实验证明,稳健优化可以显著提高数字水印框架的鲁棒性。
Oct, 2019
本篇研究提出了将图像水印技术和对抗样本算法结合在一起生成一种新的对抗扰动 ——Adv-watermark,并且使用一种新的优化算法 Basin Hopping Evolution (BHE) 生成黑盒攻击模式下的对抗性水印,该方法比其他攻击方法更为高效和鲁棒。
Aug, 2020
该研究提出了一种名为 Watermark-Decomposition Network(WDNet)的二阶段生成器,旨在分离图片中的水印,而不仅仅是简单地删除它们,并通过构建一个命名为 CLWD 的大规模数据集来显示 WDNet 在可见水印识别和去除性能上的优越性
Dec, 2020
本文提出了一种新颖的水印去除攻击方法,能够有效和盲目地破坏水印模型对水印样本的记忆,实现了水印去除,并且提出了一种轻量级的微调策略,以提升模型性能和现有水印的鲁棒性。
Sep, 2020
本文介绍了一种名为 RivaGAN 的新型架构,其具有自定义的基于注意力机制的嵌入任意数据的方式以及两个独立的对视频质量进行批判和优化鲁棒性的对抗性网络,使用这种技术,我们能够在基于深度学习的视频水印技术中取得最新成果,并产生最小的视觉失真和针对常见的视频处理操作具有强大的鲁棒性。
Sep, 2019