WMFormer++: Nested Transformer for Visible Watermark Removal via Implict Joint Learning

要約

透かしは、メディアの著作権を保護するために広く採用されているアプローチとして機能します。
並行して、研究の焦点は透かし除去技術にまで広がり、透かしの堅牢性を強化し、透かし分野の進歩を促進するための敵対的な手段を提供しています。
既存の透かし除去方法は主に、タスク固有のデコーダ ブランチを備えた UNet に依存しています。1 つは透かし位置特定用、もう 1 つは背景画像復元用です。
ただし、透かしの位置特定と背景の復元は独立したタスクではありません。
正確な透かし位置特定は本質的に復元が必要な領域を意味し、背景復元プロセスはより正確な透かし位置特定に貢献します。
両方のブランチからの情報を総合的に統合するために、暗黙的な共同学習パラダイムを導入します。
これにより、ネットワークはゲート メカニズムを通じて暗黙的なブランチ間の情報の流れを自律的にナビゲートできるようになります。
さらに、局所的な詳細の復元と全体的な構造の理解を容易にするためにクロスチャネルの注意を採用し、同時に入れ子構造を利用してマルチスケールの情報を統合します。
提案した手法の有効性を検証するために、さまざまな困難なベンチマークに対して広範な実験が行われています。
結果は、既存の最先端の方法を大幅に上回り、私たちのアプローチが顕著に優れていることを示しています。

要約(オリジナル)

Watermarking serves as a widely adopted approach to safeguard media copyright. In parallel, the research focus has extended to watermark removal techniques, offering an adversarial means to enhance watermark robustness and foster advancements in the watermarking field. Existing watermark removal methods mainly rely on UNet with task-specific decoder branches–one for watermark localization and the other for background image restoration. However, watermark localization and background restoration are not isolated tasks; precise watermark localization inherently implies regions necessitating restoration, and the background restoration process contributes to more accurate watermark localization. To holistically integrate information from both branches, we introduce an implicit joint learning paradigm. This empowers the network to autonomously navigate the flow of information between implicit branches through a gate mechanism. Furthermore, we employ cross-channel attention to facilitate local detail restoration and holistic structural comprehension, while harnessing nested structures to integrate multi-scale information. Extensive experiments are conducted on various challenging benchmarks to validate the effectiveness of our proposed method. The results demonstrate our approach’s remarkable superiority, surpassing existing state-of-the-art methods by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google