Marca d'água robusta usando prioridades generativas contra edição de imagens: Da avaliação comparativa aos avanços

Robust Watermarking Using Generative Priors Against Image Editing: From Benchmarking to Advances

October 24, 2024

Autores: Shilin Lu, Zihan Zhou, Jiayou Lu, Yuanzhi Zhu, Adams Wai-Kin Kong

cs.AI

Resumo

Os métodos atuais de marca d'água em imagens são vulneráveis a técnicas avançadas de edição de imagem possibilitadas por modelos de texto para imagem em larga escala. Esses modelos podem distorcer marcas d'água embutidas durante a edição, apresentando desafios significativos para a proteção de direitos autorais. Neste trabalho, apresentamos o W-Bench, o primeiro benchmark abrangente projetado para avaliar a robustez de métodos de marca d'água contra uma ampla gama de técnicas de edição de imagem, incluindo regeneração de imagem, edição global, edição local e geração de imagem para vídeo. Através de avaliações extensivas de onze métodos representativos de marca d'água contra técnicas de edição prevalentes, demonstramos que a maioria dos métodos falha em detectar marcas d'água após tais edições. Para lidar com essa limitação, propomos o VINE, um método de marca d'água que aumenta significativamente a robustez contra várias técnicas de edição de imagem, mantendo alta qualidade de imagem. Nossa abordagem envolve duas inovações-chave: (1) analisamos as características de frequência da edição de imagem e identificamos que distorções de desfoque exibem propriedades de frequência semelhantes, o que nos permite usá-las como ataques substitutos durante o treinamento para reforçar a robustez da marca d'água; (2) aproveitamos um modelo de difusão pré-treinado em larga escala, o SDXL-Turbo, adaptando-o para a tarefa de marca d'água para alcançar uma incorporação de marca d'água mais imperceptível e robusta. Resultados experimentais mostram que nosso método alcança um desempenho de marca d'água excepcional sob várias técnicas de edição de imagem, superando os métodos existentes tanto em qualidade de imagem quanto em robustez. O código está disponível em https://github.com/Shilin-LU/VINE.

English

Current image watermarking methods are vulnerable to advanced image editing techniques enabled by large-scale text-to-image models. These models can distort embedded watermarks during editing, posing significant challenges to copyright protection. In this work, we introduce W-Bench, the first comprehensive benchmark designed to evaluate the robustness of watermarking methods against a wide range of image editing techniques, including image regeneration, global editing, local editing, and image-to-video generation. Through extensive evaluations of eleven representative watermarking methods against prevalent editing techniques, we demonstrate that most methods fail to detect watermarks after such edits. To address this limitation, we propose VINE, a watermarking method that significantly enhances robustness against various image editing techniques while maintaining high image quality. Our approach involves two key innovations: (1) we analyze the frequency characteristics of image editing and identify that blurring distortions exhibit similar frequency properties, which allows us to use them as surrogate attacks during training to bolster watermark robustness; (2) we leverage a large-scale pretrained diffusion model SDXL-Turbo, adapting it for the watermarking task to achieve more imperceptible and robust watermark embedding. Experimental results show that our method achieves outstanding watermarking performance under various image editing techniques, outperforming existing methods in both image quality and robustness. Code is available at https://github.com/Shilin-LU/VINE.