Robust Watermarking Using Generative Priors Against Image Editing: From Benchmarking to Advances

要約

現在の画像透かし挿入方法は、大規模なテキストから画像へのモデルによって可能になる高度な画像編集技術に対して脆弱です。
これらのモデルは、編集中に埋め込まれた透かしを歪ませる可能性があり、著作権保護に重大な課題を引き起こす可能性があります。
この研究では、画像再生成、グローバル編集、ローカル編集、画像からビデオへの生成など、幅広い画像編集手法に対する透かし埋め込み手法の堅牢性を評価するために設計された初の包括的なベンチマークである W-Bench を紹介します。
普及している編集技術に対する 11 の代表的な透かし手法の広範な評価を通じて、ほとんどの手法がそのような編集後の透かしの検出に失敗することを実証しました。
この制限に対処するために、我々は、高画質を維持しながら、さまざまな画像編集技術に対する耐性を大幅に強化する透かし埋め込み手法である VINE を提案します。
私たちのアプローチには 2 つの重要な革新が含まれています。(1) 画像編集の周波数特性を分析し、ぼかし歪みが同様の周波数特性を示すことを特定します。これにより、透かしの堅牢性を強化するためのトレーニング中に代理攻撃として使用できるようになります。
(2) 大規模な事前学習済み拡散モデル SDXL-Turbo を活用し、それを透かしタスクに適応させて、より知覚されにくく堅牢な透かし埋め込みを実現します。
実験結果は、私たちの方法がさまざまな画像編集技術の下で優れた透かし入れ性能を達成し、画質と堅牢性の両方で既存の方法を上回ることを示しています。
コードは https://github.com/Shilin-LU/VINE で入手できます。

要約(オリジナル)

Current image watermarking methods are vulnerable to advanced image editing techniques enabled by large-scale text-to-image models. These models can distort embedded watermarks during editing, posing significant challenges to copyright protection. In this work, we introduce W-Bench, the first comprehensive benchmark designed to evaluate the robustness of watermarking methods against a wide range of image editing techniques, including image regeneration, global editing, local editing, and image-to-video generation. Through extensive evaluations of eleven representative watermarking methods against prevalent editing techniques, we demonstrate that most methods fail to detect watermarks after such edits. To address this limitation, we propose VINE, a watermarking method that significantly enhances robustness against various image editing techniques while maintaining high image quality. Our approach involves two key innovations: (1) we analyze the frequency characteristics of image editing and identify that blurring distortions exhibit similar frequency properties, which allows us to use them as surrogate attacks during training to bolster watermark robustness; (2) we leverage a large-scale pretrained diffusion model SDXL-Turbo, adapting it for the watermarking task to achieve more imperceptible and robust watermark embedding. Experimental results show that our method achieves outstanding watermarking performance under various image editing techniques, outperforming existing methods in both image quality and robustness. Code is available at https://github.com/Shilin-LU/VINE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google