Adicionar marca d'água com mensagens localizadas
Watermark Anything with Localized Messages
November 11, 2024
Autores: Tom Sander, Pierre Fernandez, Alain Durmus, Teddy Furon, Matthijs Douze
cs.AI
Resumo
Os métodos de marca d'água em imagens não são adaptados para lidar com áreas pequenas marcadas. Isso limita as aplicações em cenários do mundo real onde partes da imagem podem vir de diferentes fontes ou terem sido editadas. Apresentamos um modelo de aprendizado profundo para marcação de imagens localizadas, apelidado de Modelo Watermark Anything (WAM). O incorporador WAM modifica imperceptivelmente a imagem de entrada, enquanto o extrator segmenta a imagem recebida em áreas marcadas e não marcadas e recupera uma ou várias mensagens ocultas das áreas identificadas como marcadas. Os modelos são treinados em conjunto em baixa resolução e sem restrições perceptuais, e depois são pós-treinados para imperceptibilidade e múltiplas marcas d'água. Experimentos mostram que o WAM é competitivo com métodos de ponta em termos de imperceptibilidade e robustez, especialmente contra inpainting e splicing, mesmo em imagens de alta resolução. Além disso, ele oferece novas capacidades: o WAM pode localizar áreas marcadas em imagens spliced e extrair mensagens distintas de 32 bits com menos de 1 bit de erro de múltiplas regiões pequenas - não maiores do que 10% da superfície da imagem - mesmo para imagens pequenas de 256 vezes 256.
English
Image watermarking methods are not tailored to handle small watermarked
areas. This restricts applications in real-world scenarios where parts of the
image may come from different sources or have been edited. We introduce a
deep-learning model for localized image watermarking, dubbed the Watermark
Anything Model (WAM). The WAM embedder imperceptibly modifies the input image,
while the extractor segments the received image into watermarked and
non-watermarked areas and recovers one or several hidden messages from the
areas found to be watermarked. The models are jointly trained at low resolution
and without perceptual constraints, then post-trained for imperceptibility and
multiple watermarks. Experiments show that WAM is competitive with state-of-the
art methods in terms of imperceptibility and robustness, especially against
inpainting and splicing, even on high-resolution images. Moreover, it offers
new capabilities: WAM can locate watermarked areas in spliced images and
extract distinct 32-bit messages with less than 1 bit error from multiple small
regions - no larger than 10% of the image surface - even for small 256times
256 images.