Trainingsfreie Wasserzeichen für autoregressive Bildgenerierung

Training-Free Watermarking for Autoregressive Image Generation

May 20, 2025

Autoren: Yu Tong, Zihao Pan, Shuai Yang, Kaiyang Zhou

cs.AI

Zusammenfassung

Unsichtbare Bildwasserzeichen können den Bildbesitz schützen und den böswilligen Missbrauch visueller generativer Modelle verhindern. Bisherige generative Wasserzeichenmethoden sind jedoch hauptsächlich für Diffusionsmodelle konzipiert, während die Wasserzeicheneinbettung für autoregressive Bildgenerationsmodelle weitgehend unerforscht bleibt. Wir stellen IndexMark vor, ein trainingsfreies Wasserzeichenframework für autoregressive Bildgenerationsmodelle. IndexMark ist von der Redundanzeigenschaft des Codebuchs inspiriert: Das Ersetzen autoregressiv generierter Indizes durch ähnliche Indizes führt zu vernachlässigbaren visuellen Unterschieden. Die Kernkomponente von IndexMark ist eine einfache, aber effektive Match-then-Replace-Methode, die sorgfältig Wasserzeichen-Tokens aus dem Codebuch basierend auf der Token-Ähnlichkeit auswählt und die Verwendung von Wasserzeichen-Tokens durch Token-Ersetzung fördert, wodurch das Wasserzeichen eingebettet wird, ohne die Bildqualität zu beeinträchtigen. Die Wasserzeichenverifizierung erfolgt durch die Berechnung des Anteils von Wasserzeichen-Tokens in generierten Bildern, wobei die Genauigkeit durch einen Index-Encoder weiter verbessert wird. Darüber hinaus führen wir ein ergänzendes Validierungsschema ein, um die Robustheit gegen Zuschneideangriffe zu erhöhen. Experimente zeigen, dass IndexMark in Bezug auf Bildqualität und Verifizierungsgenauigkeit state-of-the-art Leistungen erzielt und Robustheit gegen verschiedene Störungen aufweist, darunter Zuschneiden, Rauschen, Gaußsche Unschärfe, zufälliges Löschen, Farbveränderungen und JPEG-Kompression.

English

Invisible image watermarking can protect image ownership and prevent malicious misuse of visual generative models. However, existing generative watermarking methods are mainly designed for diffusion models while watermarking for autoregressive image generation models remains largely underexplored. We propose IndexMark, a training-free watermarking framework for autoregressive image generation models. IndexMark is inspired by the redundancy property of the codebook: replacing autoregressively generated indices with similar indices produces negligible visual differences. The core component in IndexMark is a simple yet effective match-then-replace method, which carefully selects watermark tokens from the codebook based on token similarity, and promotes the use of watermark tokens through token replacement, thereby embedding the watermark without affecting the image quality. Watermark verification is achieved by calculating the proportion of watermark tokens in generated images, with precision further improved by an Index Encoder. Furthermore, we introduce an auxiliary validation scheme to enhance robustness against cropping attacks. Experiments demonstrate that IndexMark achieves state-of-the-art performance in terms of image quality and verification accuracy, and exhibits robustness against various perturbations, including cropping, noises, Gaussian blur, random erasing, color jittering, and JPEG compression.