Обучение без водяных знаков для авторегрессивной генерации изображений

Training-Free Watermarking for Autoregressive Image Generation

May 20, 2025

Авторы: Yu Tong, Zihao Pan, Shuai Yang, Kaiyang Zhou

cs.AI

Аннотация

Невидимое водяное знаковое изображение может защитить авторские права на изображения и предотвратить злонамеренное использование визуальных генеративных моделей. Однако существующие методы генеративного водяного знака в основном разработаны для диффузионных моделей, в то время как водяное знаковое для авторегрессионных моделей генерации изображений остается малоизученным. Мы предлагаем IndexMark, фреймворк для водяного знакового без необходимости обучения, предназначенный для авторегрессионных моделей генерации изображений. IndexMark вдохновлен свойством избыточности кодовой книги: замена авторегрессивно сгенерированных индексов на похожие индексы приводит к незначительным визуальным различиям. Основной компонент IndexMark — это простой, но эффективный метод "сопоставления и замены", который тщательно выбирает токены водяного знака из кодовой книги на основе сходства токенов и способствует использованию токенов водяного знака через их замену, тем самым встраивая водяной знак без ущерба для качества изображения. Проверка водяного знака осуществляется путем расчета доли токенов водяного знака в сгенерированных изображениях, а точность дополнительно повышается с помощью Индексного Кодировщика. Кроме того, мы вводим вспомогательную схему валидации для повышения устойчивости к атакам обрезки. Эксперименты показывают, что IndexMark достигает передовых показателей по качеству изображений и точности проверки, а также демонстрирует устойчивость к различным искажениям, включая обрезку, шумы, гауссово размытие, случайное стирание, изменение цвета и JPEG-сжатие.

English

Invisible image watermarking can protect image ownership and prevent malicious misuse of visual generative models. However, existing generative watermarking methods are mainly designed for diffusion models while watermarking for autoregressive image generation models remains largely underexplored. We propose IndexMark, a training-free watermarking framework for autoregressive image generation models. IndexMark is inspired by the redundancy property of the codebook: replacing autoregressively generated indices with similar indices produces negligible visual differences. The core component in IndexMark is a simple yet effective match-then-replace method, which carefully selects watermark tokens from the codebook based on token similarity, and promotes the use of watermark tokens through token replacement, thereby embedding the watermark without affecting the image quality. Watermark verification is achieved by calculating the proportion of watermark tokens in generated images, with precision further improved by an Index Encoder. Furthermore, we introduce an auxiliary validation scheme to enhance robustness against cropping attacks. Experiments demonstrate that IndexMark achieves state-of-the-art performance in terms of image quality and verification accuracy, and exhibits robustness against various perturbations, including cropping, noises, Gaussian blur, random erasing, color jittering, and JPEG compression.