Marcado de Agua sin Entrenamiento para Generación Autoregresiva de Imágenes

Training-Free Watermarking for Autoregressive Image Generation

May 20, 2025

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

cs.AI

Resumen

La marca de agua invisible en imágenes puede proteger la propiedad de las imágenes y prevenir el uso malicioso de modelos generativos visuales. Sin embargo, los métodos existentes de marca de agua generativa están principalmente diseñados para modelos de difusión, mientras que la marca de agua para modelos de generación de imágenes autoregresivos sigue siendo en gran parte inexplorada. Proponemos IndexMark, un marco de marca de agua sin entrenamiento para modelos de generación de imágenes autoregresivos. IndexMark se inspira en la propiedad de redundancia del codebook: reemplazar índices generados autoregresivamente con índices similares produce diferencias visuales insignificantes. El componente central en IndexMark es un método simple pero efectivo de coincidencia y reemplazo, que selecciona cuidadosamente tokens de marca de agua del codebook basándose en la similitud de tokens, y promueve el uso de tokens de marca de agua mediante el reemplazo de tokens, incrustando así la marca de agua sin afectar la calidad de la imagen. La verificación de la marca de agua se logra calculando la proporción de tokens de marca de agua en las imágenes generadas, con una precisión mejorada aún más por un Codificador de Índices. Además, introducimos un esquema de validación auxiliar para mejorar la robustez contra ataques de recorte. Los experimentos demuestran que IndexMark alcanza un rendimiento de vanguardia en términos de calidad de imagen y precisión de verificación, y exhibe robustez frente a diversas perturbaciones, incluyendo recorte, ruidos, desenfoque gaussiano, borrado aleatorio, variación de color y compresión JPEG.

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.