SynthID-Bild: Bildwasserzeichen im Internetmaßstab
SynthID-Image: Image watermarking at internet scale
October 10, 2025
papers.authors: Sven Gowal, Rudy Bunel, Florian Stimberg, David Stutz, Guillermo Ortiz-Jimenez, Christina Kouridi, Mel Vecerik, Jamie Hayes, Sylvestre-Alvise Rebuffi, Paul Bernard, Chris Gamble, Miklós Z. Horváth, Fabian Kaczmarczyck, Alex Kaskasoli, Aleksandar Petrov, Ilia Shumailov, Meghana Thotakuri, Olivia Wiles, Jessica Yung, Zahra Ahmed, Victor Martin, Simon Rosen, Christopher Savčak, Armin Senoner, Nidhi Vyas, Pushmeet Kohli
cs.AI
papers.abstract
Wir stellen SynthID-Image vor, ein auf Deep Learning basierendes System zur unsichtbaren Wasserzeichenkennzeichnung von KI-generierten Bildern. Dieses Papier dokumentiert die technischen Anforderungen, Bedrohungsmodelle und praktischen Herausforderungen bei der Implementierung eines solchen Systems im Internetmaßstab und behandelt dabei zentrale Anforderungen wie Wirksamkeit, Treue, Robustheit und Sicherheit. SynthID-Image wurde verwendet, um über zehn Milliarden Bilder und Videoframes in den Diensten von Google zu kennzeichnen, und der entsprechende Verifizierungsdienst steht vertrauenswürdigen Testern zur Verfügung. Der Vollständigkeit halber präsentieren wir eine experimentelle Bewertung einer externen Modellvariante, SynthID-O, die über Partnerschaften verfügbar ist. Wir vergleichen SynthID-O mit anderen nachträglichen Wasserzeichenmethoden aus der Literatur und zeigen dabei Spitzenleistungen sowohl in Bezug auf die visuelle Qualität als auch auf die Robustheit gegenüber gängigen Bildveränderungen. Während sich diese Arbeit auf visuelle Medien konzentriert, lassen sich die Schlussfolgerungen zu Implementierung, Einschränkungen und Bedrohungsmodellierung auf andere Modalitäten, einschließlich Audio, übertragen. Dieses Papier bietet eine umfassende Dokumentation für die großflächige Implementierung von Deep Learning-basierten Systemen zur Medienherkunft.
English
We introduce SynthID-Image, a deep learning-based system for invisibly
watermarking AI-generated imagery. This paper documents the technical
desiderata, threat models, and practical challenges of deploying such a system
at internet scale, addressing key requirements of effectiveness, fidelity,
robustness, and security. SynthID-Image has been used to watermark over ten
billion images and video frames across Google's services and its corresponding
verification service is available to trusted testers. For completeness, we
present an experimental evaluation of an external model variant, SynthID-O,
which is available through partnerships. We benchmark SynthID-O against other
post-hoc watermarking methods from the literature, demonstrating
state-of-the-art performance in both visual quality and robustness to common
image perturbations. While this work centers on visual media, the conclusions
on deployment, constraints, and threat modeling generalize to other modalities,
including audio. This paper provides a comprehensive documentation for the
large-scale deployment of deep learning-based media provenance systems.