Добавление водяного знака с локализованными сообщениями

Watermark Anything with Localized Messages

November 11, 2024

Авторы: Tom Sander, Pierre Fernandez, Alain Durmus, Teddy Furon, Matthijs Douze

cs.AI

Аннотация

Методы водяных знаков изображений не предназначены для работы с маленькими водяными знаками. Это ограничивает применение в реальных сценариях, где части изображения могут быть из разных источников или быть отредактированными. Мы представляем модель глубокого обучения для локализованного водяного знака на изображении, названную Модель Любого Водяного Знака (WAM). Встраиватель WAM незаметно модифицирует входное изображение, в то время как извлекатель сегментирует полученное изображение на водяные и неводяные области и извлекает одно или несколько скрытых сообщений из областей, обнаруженных как водяные знаки. Модели совместно обучаются на низком разрешении и без ограничений восприятия, затем проходят пост-обучение для незаметности и нескольких водяных знаков. Эксперименты показывают, что WAM конкурентоспособна с передовыми методами по незаметности и устойчивости, особенно против заполнения и сплайсинга, даже на изображениях высокого разрешения. Более того, она предлагает новые возможности: WAM может определять области с водяными знаками на сплайсированных изображениях и извлекать различные 32-битные сообщения с менее чем 1 битом ошибки из нескольких маленьких областей - не превышающих 10% поверхности изображения - даже для маленьких изображений размером 256х256 пикселей.

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.