SynthID-Image: Afbeeldingwatermerken op internetschaal

SynthID-Image: Image watermarking at internet scale

October 10, 2025

Auteurs: 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

Samenvatting

We introduceren SynthID-Image, een op deep learning gebaseerd systeem voor het onzichtbaar watermerken van AI-gegenereerde afbeeldingen. Dit artikel documenteert de technische vereisten, bedreigingsmodellen en praktische uitdagingen bij het op internetschaal implementeren van een dergelijk systeem, waarbij de belangrijkste eisen van effectiviteit, nauwkeurigheid, robuustheid en beveiliging worden behandeld. SynthID-Image is gebruikt om meer dan tien miljard afbeeldingen en videoframes te watermerken in Google's diensten, en de bijbehorende verificatieservice is beschikbaar voor vertrouwde testers. Voor de volledigheid presenteren we een experimentele evaluatie van een externe modelvariant, SynthID-O, die beschikbaar is via partnerschappen. We vergelijken SynthID-O met andere post-hoc watermerkmethoden uit de literatuur en tonen aan dat het state-of-the-art prestaties levert op het gebied van visuele kwaliteit en robuustheid tegen veelvoorkomende beeldverstoringen. Hoewel dit werk zich richt op visuele media, zijn de conclusies over implementatie, beperkingen en bedreigingsmodellen generaliseerbaar naar andere modaliteiten, waaronder audio. Dit artikel biedt een uitgebreide documentatie voor de grootschalige implementatie van deep learning-gebaseerde mediaprovenancesystemen.

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.