Marca de agua en cualquier cosa con mensajes localizados.

Watermark Anything with Localized Messages

November 11, 2024

Autores: Tom Sander, Pierre Fernandez, Alain Durmus, Teddy Furon, Matthijs Douze

cs.AI

Resumen

Los métodos de marca de agua en imágenes no están diseñados para manejar áreas pequeñas marcadas. Esto limita las aplicaciones en escenarios del mundo real donde partes de la imagen pueden provenir de diferentes fuentes o haber sido editadas. Presentamos un modelo de aprendizaje profundo para la marca de agua localizada en imágenes, denominado Modelo Watermark Anything (WAM). El incrustador de WAM modifica imperceptiblemente la imagen de entrada, mientras que el extractor segmenta la imagen recibida en áreas marcadas y no marcadas, y recupera uno o varios mensajes ocultos de las áreas identificadas como marcadas. Los modelos se entrenan conjuntamente a baja resolución y sin restricciones perceptuales, luego se post-entrenan para lograr imperceptibilidad y múltiples marcas de agua. Los experimentos muestran que WAM es competitivo con los métodos de vanguardia en términos de imperceptibilidad y robustez, especialmente contra retoques e inserciones, incluso en imágenes de alta resolución. Además, ofrece nuevas capacidades: WAM puede localizar áreas marcadas en imágenes compuestas y extraer mensajes distintos de 32 bits con menos de 1 bit de error de múltiples regiones pequeñas, no mayores al 10% de la superficie de la imagen, incluso para imágenes pequeñas de 256x256 píxeles.

English

Image watermarking methods are not tailored to handle small watermarked areas. This restricts applications in real-world scenarios where parts of the image may come from different sources or have been edited. We introduce a deep-learning model for localized image watermarking, dubbed the Watermark Anything Model (WAM). The WAM embedder imperceptibly modifies the input image, while the extractor segments the received image into watermarked and non-watermarked areas and recovers one or several hidden messages from the areas found to be watermarked. The models are jointly trained at low resolution and without perceptual constraints, then post-trained for imperceptibility and multiple watermarks. Experiments show that WAM is competitive with state-of-the art methods in terms of imperceptibility and robustness, especially against inpainting and splicing, even on high-resolution images. Moreover, it offers new capabilities: WAM can locate watermarked areas in spliced images and extract distinct 32-bit messages with less than 1 bit error from multiple small regions - no larger than 10% of the image surface - even for small 256times 256 images.