MMJul, 2022

提高不可感知性和鲁棒性的视频篡改检测鲁棒水印技术

PDF
TL;DR本研究提出了一种基于 3D-UNet 的视频水印网络，可以用于视频篡改定位和检测，通过模拟视频压缩和模糊等攻击，以实现对被攻击版本的篡改区域的准确定位和检测，并具有良好的不可感知性和鲁棒性。
video watermarkingtampering detection3d-unetvideo compressiontampering localization
发现论文，激发创造
  • 具有注意力的鲁棒隐形视频水印

    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

  • ROMark: 使用对抗训练的强韧数字水印系统

    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

  • 基于卷积神经网络的鲁棒性盲水印技术

    本文提出了一种基于卷积神经网络的盲水印技术，通过迭代学习框架来实现水印的鲁棒性，该方案通过学习网络来检测图像子块中的 1 比特消息，并取得了良好的鲁棒性。

    Apr, 2017

  • 抗深度伪造换脸的鲁棒身份感知水印

    该研究提出了第一个强大的身份感知水印框架，可以主动地进行检测和源追踪来对抗 Deepfake 人脸交换，并在不同数据集和处理设置下展示了最先进的性能。

    Nov, 2023

  • 盲深度学习图像水印技术对几何变换具有鲁棒性

    提出了一种新的数字水印方法，基于深度学习的 HiDDeN 架构，并添加了与几何攻击鲁棒性相关的新噪声层，证明该方法在几何鲁棒性方面胜过现有的技术，可用于保护消费者设备上查看的图像。

    Feb, 2024

  • 深度卷积神经网络中的可逆水印技术用于完整性验证

    本文提出一种基于可逆水印算法的深度卷积神经网络完整性认证方法，利用模型压缩技术中的剪枝理论构建用于嵌入水印信息的主机序列，并通过直方图移位实现，模型参数可通过提取水印信息完全恢复，并可验证模型完整性是否被非法修改。

    Apr, 2021

  • 双重防御：面部交换的针对性、可追踪和隐形的鲁棒水印技术

    通过结合可追踪性和对抗性的新型全面主动防御机制 Dual Defense，将单一强大的水印隐式嵌入目标人脸，有效应对恶意人脸交换而引起的安全威胁，保持水印信息的完整性，具备优异的对抗性和可追踪性，并超越当前的防伪方法。

    Oct, 2023

  • Spy-Watermark：强韧隐形数字水印用于后门攻击

    提出了一种名为 Spy-Watermark 的新型后门攻击方法，其中引入了一种可学习的图像潜在空间中嵌入的水印作为触发器，通过多个防崩溃操作进一步增强触发器对数据损坏的韧性，从而在面对数据崩溃和后门防御时仍然有效。在 CIFAR10、GTSRB 和 ImageNet 数据集上进行了大量实验，展示了 Spy-Watermark 在鲁棒性和隐秘性方面超过了十种最先进方法。

    Jan, 2024

  • V2A-Mark: 多功能深度视听水印技术用于操作定位和版权保护

    通过将不可见的视听定位水印和版权水印嵌入原始视频帧和音频中，实现精确的操作定位和版权保护，解决当前视频篡改法医学中的限制，包括泛化能力差、功能单一和单模态聚焦等问题。同时，我们还设计了一个时间对齐和融合模块以及退化提示学习来提高定位精度和解码鲁棒性，引入了示例级音频定位方法和跨模态版权提取机制以耦合音频和视频帧的信息，从而验证了 V2A-Mark 在视听篡改数据集上的有效性，并强调其在定位精度和版权准确性方面的优势，对 AIGC 视频时代的可持续发展至关重要。

    Apr, 2024

  • FaceSigns: 媒体认证和对抗 Deepfakes 的半脆弱神经水印

    该研究提出了一种基于深度学习的半脆弱水印技术，该技术通过验证嵌入在图像像素中的隐秘信息来实现媒体身份验证，可以抵抗面部操纵和篡改，同时也是鲁棒的，可以保持图像在顺利处理后的真实性。

    Apr, 2022