May, 2024

实现与分辨率无关的基于 DNN 的图像水印技术：隐式神经表示的新视角

PDF
TL;DRDNN 水印方法中的分辨率无关图像水印技术通过降低可变分辨率水印问题，可在不引入伪影和低鲁棒性的情况下实现固定分辨率水印。通过直接在连续信号而非图像像素上添加水印，我们提出了首个分辨率无关图像水印框架 RAIMark，通过为目标图像拟合隐式神经表示，并精调以获得针对二进制秘密消息的带水印隐式神经表示。与先前的方法相比，我们的方法具有更高的鲁棒性，并且在各项指标上的性能明显提高，平均位准确性提高了 7%～29%。同时，先前的方法易受至少一种水印攻击（如 JPEG、裁剪、调整大小）的影响，而我们的方法对所有水印攻击都具有鲁棒性。
dnn-based watermarking methodsresolution-agnostic image watermarkingimplicit neural representationresolution-agnostic watermarkingwatermarking attacks
发现论文，激发创造
  • 信任标记：任意分辨率图像的通用水印

    我们提出了 TrustMark，一种基于 GAN 的水印嵌入方法，通过新颖的架构和空谱损失设计来平衡水印图像质量和水印恢复准确性之间的权衡。我们的模型在训练时考虑了鲁棒性，可以抵御编码图像上的各种内部和外部扰动。此外，我们还介绍了 TrustMark-RM，一种用于重新嵌入水印的水印去除方法。我们的方法在包含任意分辨率图像的三个基准测试中实现了最先进的性能。

    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

  • 一种基于深度神经网络的自动、高效和健壮的图像水印方案

    本文提出了一种基于深度学习神经网络的鲁棒盲水印方案，该方案实现了自适应图像水印算法，无需人工干预和注释，并且不需要事先了解敌对攻击的有关信息，实验证明了该方案的优越性。

    Jul, 2020

  • 实用的深度分散水印同步和融合

    为了解决深度水印技术在任意分辨率图像中的应用问题，本文提出了一种名为 DWFS 的实用深度分散水印技术，并采用了分散嵌入方案、水印同步与融合模块以及基于相似性的消息融合策略，通过实验证明了其在不同数据集上相较于现有方法在性能上的优越性。

    Oct, 2023

  • 失真无关的深度水印

    本文提出了一种新的框架，通过对抗训练和信道编码的方法来实现无失真鲁棒性，相比于使用固定的图像扭曲噪声的深度学习方法，该方法在训练时不需要显式对图像扭曲建模，并能对未知的扭曲实现更好的性能。

    Jan, 2020

  • 一个具有可证明保证的鲁棒且灵活的即插即用水印框架用于 AI 生成的图像

    本文介绍了一个名为 RAW 的稳健而灵活的即插即用水印检测框架，它将可学习的水印直接引入原始图像数据中，并使用与水印共同训练的分类器来检测水印的存在。此框架在各种生成架构上可兼容，并支持训练后即时进行水印注入，通过整合最先进的平滑技术，不仅在水印图像误分类的假阳性率方面提供可证明的保证，而且在存在针对水印去除的某些对抗性攻击时也表现出显著的性能增强。在由最先进的扩散模型生成的各种图像上的实验证明与现有方法相比，我们的方法在检测带有对抗性攻击的水印图像时，AUROC 从 0.48 增加到 0.82，同时保持图像质量，表现为接近的 FID 和 CLIP 得分。

    Jan, 2024

  • 深度神经网络的隐秘稳健白盒水印技术 RIGA

    本研究提出了一种使用对抗训练的新型白盒数字水印算法 ——RIGA，通过实验表明，该算法在不影响准确性的情况下，显著提高了水印的隐蔽性和鲁棒性，可应用于深度神经网络的水印技术中。

    Oct, 2019

  • 一种相对强健的基于扩散编辑模型的图像水印

    最近，扩散模型（DMs）已成为图像合成的最先进方法，而基于 DMs 的编辑模型，以其高保真度和精度而闻名，无意中引入了与图像版权侵权和恶意编辑相关的新挑战。我们的工作是首次对这个问题进行规范化和解决。经过评估和试图增强传统图像水印技术后，我们意识到它们在这个新兴环境中的局限性。为此，我们开发了一种新颖的技术，RIW（稳健隐形水印），利用对抗示例技术嵌入隐形水印。与传统方法提供的 0% 相比，我们的技术确保了在编辑后的隐形水印的 96% 的高提取准确性。我们提供了我们的代码访问链接。

    Nov, 2023

  • 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

  • 基于深度学习的音频水印嵌入方案

    本文介绍了一种基于深度学习的音频嵌入图片数字水印方案，并设计了神经网络架构来自动学习水印过程，以及识别存在于失真情况下的音频水印，达到了高保真度和鲁棒性。

    Oct, 2021