ADD pour le tatouage d'images multi-bits

ADD for Multi-Bit Image Watermarking

April 13, 2026

Auteurs: An Luo, Jie Ding

cs.AI

Résumé

Alors que les modèles génératifs permettent la création rapide d'images haute fidélité, les préoccupations sociétales concernant la désinformation et l'authenticité se sont intensifiées. Une solution prometteuse est le tatouage d'image multi-bits, qui intègre un message multi-bits dans une image afin qu'un vérificateur puisse ultérieurement détecter si l'image a été générée par quelqu'un et identifier la source en décodant le message intégré. Les approches existantes sont souvent limitées en capacité, en résilience aux distorsions d'image courantes et en justification théorique. Pour résoudre ces limitations, nous proposons ADD (Add, Dot, Decode), une méthode de tatouage d'image multi-bits en deux étapes : l'apprentissage d'un tatouage à combiner linéairement avec le message multi-bits et à ajouter à l'image, et le décodage via des produits scalaires entre l'image tatouée et le tatouage appris. Sur le benchmark standard MS-COCO, nous démontrons que pour la tâche difficile du tatouage 48-bits, ADD atteint une précision de décodage de 100 %, avec une baisse de performance d'au plus 2 % sous une large gamme de distorsions d'image, ce qui est substantiellement inférieur à la baisse moyenne de 14 % des méthodes de l'état de l'art. De plus, ADD réalise des gains computationnels substantiels, avec une intégration 2 fois plus rapide et un décodage 7,4 fois plus rapide que la méthode existante la plus rapide. Nous fournissons également une analyse théorique expliquant pourquoi le tatouage appris et la règle de décodage correspondante sont efficaces.

English

As generative models enable rapid creation of high-fidelity images, societal concerns about misinformation and authenticity have intensified. A promising remedy is multi-bit image watermarking, which embeds a multi-bit message into an image so that a verifier can later detect whether the image is generated by someone and further identify the source by decoding the embedded message. Existing approaches often fall short in capacity, resilience to common image distortions, and theoretical justification. To address these limitations, we propose ADD (Add, Dot, Decode), a multi-bit image watermarking method with two stages: learning a watermark to be linearly combined with the multi-bit message and added to the image, and decoding through inner products between the watermarked image and the learned watermark. On the standard MS-COCO benchmark, we demonstrate that for the challenging task of 48-bit watermarking, ADD achieves 100\% decoding accuracy, with performance dropping by at most 2\% under a wide range of image distortions, substantially smaller than the 14\% average drop of state-of-the-art methods. In addition, ADD achieves substantial computational gains, with 2-fold faster embedding and 7.4-fold faster decoding than the fastest existing method. We further provide a theoretical analysis explaining why the learned watermark and the corresponding decoding rule are effective.