SynthID-Image : Tatouage d'image à l'échelle d'Internet
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
Nous présentons SynthID-Image, un système basé sur l'apprentissage profond pour le tatouage invisible d'images générées par IA. Cet article documente les desiderata techniques, les modèles de menace et les défis pratiques liés au déploiement d'un tel système à l'échelle d'Internet, en abordant les exigences clés d'efficacité, de fidélité, de robustesse et de sécurité. SynthID-Image a été utilisé pour tatouer plus de dix milliards d'images et de trames vidéo à travers les services de Google, et son service de vérification correspondant est accessible à des testeurs de confiance. Pour plus de complétude, nous présentons une évaluation expérimentale d'une variante de modèle externe, SynthID-O, disponible via des partenariats. Nous comparons SynthID-O à d'autres méthodes de tatouage post-hoc issues de la littérature, démontrant des performances de pointe en termes de qualité visuelle et de robustesse face aux perturbations courantes des images. Bien que ce travail se concentre sur les médias visuels, les conclusions concernant le déploiement, les contraintes et la modélisation des menaces s'appliquent également à d'autres modalités, y compris l'audio. Cet article fournit une documentation exhaustive pour le déploiement à grande échelle de systèmes de provenance des médias basés sur l'apprentissage profond.
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.