SynthID-Immagine: Filigranatura delle immagini su scala internet
SynthID-Image: Image watermarking at internet scale
October 10, 2025
Autori: 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
Abstract
Presentiamo SynthID-Image, un sistema basato sul deep learning per la filigranatura invisibile di immagini generate dall'IA. Questo articolo documenta i requisiti tecnici, i modelli di minaccia e le sfide pratiche legate alla distribuzione di un tale sistema su scala internet, affrontando i requisiti chiave di efficacia, fedeltà, robustezza e sicurezza. SynthID-Image è stato utilizzato per filigranare oltre dieci miliardi di immagini e fotogrammi video attraverso i servizi di Google, e il relativo servizio di verifica è disponibile per tester fidati. Per completezza, presentiamo una valutazione sperimentale di una variante esterna del modello, SynthID-O, disponibile tramite partnership. Confrontiamo SynthID-O con altri metodi di filigranatura post-hoc presenti in letteratura, dimostrando prestazioni all'avanguardia sia in termini di qualità visiva che di robustezza alle comuni perturbazioni delle immagini. Sebbene questo lavoro si concentri sui media visivi, le conclusioni relative alla distribuzione, ai vincoli e alla modellazione delle minacce si generalizzano ad altre modalità, inclusa l'audio. Questo articolo fornisce una documentazione completa per la distribuzione su larga scala di sistemi di provenienza dei media basati sul deep learning.
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.