Caché dans le bruit : Tatouage robuste en deux étapes pour les images

Hidden in the Noise: Two-Stage Robust Watermarking for Images

December 5, 2024

Auteurs: Kasra Arabi, Benjamin Feuer, R. Teal Witter, Chinmay Hegde, Niv Cohen

cs.AI

Résumé

À mesure que la qualité des générateurs d'images s'améliore, les deepfakes deviennent un sujet de débat sociétal considérable. Le tatouage numérique d'images permet aux propriétaires responsables de modèles de détecter et d'étiqueter leur contenu généré par IA, ce qui peut atténuer les dommages. Cependant, les méthodes actuelles de tatouage numérique d'images les plus avancées restent vulnérables aux attaques de contrefaçon et de suppression. Cette vulnérabilité survient en partie car les tatouages numériques déforment la distribution des images générées, révélant involontairement des informations sur les techniques de tatouage. Dans ce travail, nous présentons tout d'abord une méthode de tatouage numérique d'images sans distorsion, basée sur le bruit initial d'un modèle de diffusion. Cependant, détecter le tatouage nécessite de comparer le bruit initial reconstruit pour une image à tous les bruits initiaux précédemment utilisés. Pour atténuer ces problèmes, nous proposons un cadre de tatouage numérique en deux étapes pour une détection efficace. Pendant la génération, nous augmentons le bruit initial avec des motifs de Fourier générés pour intégrer des informations sur le groupe de bruits initiaux que nous avons utilisé. Pour la détection, nous (i) récupérons le groupe pertinent de bruits, et (ii) cherchons à l'intérieur du groupe donné un bruit initial qui pourrait correspondre à notre image. Cette approche de tatouage numérique atteint une robustesse de pointe contre la contrefaçon et la suppression face à une grande variété d'attaques.

English

As the quality of image generators continues to improve, deepfakes become a topic of considerable societal debate. Image watermarking allows responsible model owners to detect and label their AI-generated content, which can mitigate the harm. Yet, current state-of-the-art methods in image watermarking remain vulnerable to forgery and removal attacks. This vulnerability occurs in part because watermarks distort the distribution of generated images, unintentionally revealing information about the watermarking techniques. In this work, we first demonstrate a distortion-free watermarking method for images, based on a diffusion model's initial noise. However, detecting the watermark requires comparing the initial noise reconstructed for an image to all previously used initial noises. To mitigate these issues, we propose a two-stage watermarking framework for efficient detection. During generation, we augment the initial noise with generated Fourier patterns to embed information about the group of initial noises we used. For detection, we (i) retrieve the relevant group of noises, and (ii) search within the given group for an initial noise that might match our image. This watermarking approach achieves state-of-the-art robustness to forgery and removal against a large battery of attacks.