Устойчивая водяная маркировка с использованием генеративных априорных данных против редактирования изображений: от оценки до прогресса

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

October 24, 2024

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

cs.AI

Аннотация

Существующие методы водяных знаков на изображениях уязвимы перед продвинутыми методами редактирования изображений, обеспечиваемыми масштабными моделями текста-к-изображению. Эти модели могут искажать встроенные водяные знаки во время редактирования, представляя значительные вызовы для защиты авторских прав. В данной работе мы представляем W-Bench, первый всеобъемлющий бенчмарк, разработанный для оценки устойчивости методов водяных знаков против широкого спектра техник редактирования изображений, включая восстановление изображения, глобальное редактирование, локальное редактирование и генерацию изображения-в-видео. Через обширные оценки одиннадцати представительных методов водяных знаков против распространенных техник редактирования, мы демонстрируем, что большинство методов не способны обнаружить водяные знаки после таких изменений. Для преодоления этого ограничения мы предлагаем VINE, метод водяных знаков, который значительно повышает устойчивость против различных техник редактирования изображений, сохраняя при этом высокое качество изображения. Наш подход включает два ключевых инновации: (1) мы анализируем частотные характеристики редактирования изображений и определяем, что размытые искажения обладают сходными частотными свойствами, что позволяет использовать их в качестве замещающих атак во время обучения для укрепления устойчивости водяного знака; (2) мы используем масштабную предварительно обученную модель диффузии SDXL-Turbo, адаптируя ее для задачи водяного знака для достижения более незаметного и устойчивого встраивания водяного знака. Экспериментальные результаты показывают, что наш метод достигает выдающегося производительности водяных знаков под различными техниками редактирования изображений, превосходя существующие методы как по качеству изображения, так и по устойчивости. Код доступен по ссылке 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.