FDDWAN: A Frequency-Decoupled Diffusion Network for Watermarking Attack
该研究针对现有水印去除方法的权衡缺陷,提出FDDWAN框架,经实验验证其在水印去除与视觉保真度间的表现优于传统及学习型攻击方法。
2026-07-31 cs.CV
COVER: Codec-Robust Video Watermarking with Generative Video Priors
National University of Singapore(新加坡国立大学);University of New South Wales(新南威尔士大学)
COVER提出首个以编解码器压缩为设计目标的视频水印方法,通过生成式视频先验的潜在空间嵌入与可微编解码器替代库训练,在12种设置下平均比特准确率达93.72%,显著超越现有方法。
2026-09-23 cs.CV
Asymmetric Phase Coding Video Watermarking
Phi Lab(斐实验室);University of California, Berkeley(加利福尼亚大学伯克利分校)
提出一种非对称相位编码视频水印,无需训练,通过嵌入Ed25519签名实现无共享密钥的离线验证,在真实视频集上验证准确率达99.3%,抗H.264重编码和缩放攻击性能优异。
2026-09-01 cs.CR cs.CV cs.GR
What Breaks Local Watermarks? A Robustness Benchmark for Local Invisible Image Watermarking
University of Edinburgh(爱丁堡大学);Garandor
针对局部图像水印鲁棒性研究分散的问题,提出首个涵盖55种变换的系统基准,评估五种方法,发现MaskWM性能最优但图像质量最低,且鲁棒性强烈依赖变换类型。
2026-09-16 cs.AI cs.CR cs.CV
Steganalysis on Digital Watermarking: Is Your Defense Truly Impervious?
National University of Singapore(新加坡国立大学)
本文揭示内容无关图像水印可通过平均多张水印图像被提取并移除,在灰盒、黑盒及多模式场景下验证攻击,并提出内容自适应与多密钥等安全建议。
2024-06-13 cs.CV
High-Fidelity Face Content Recovery via Tamper-Resilient Versatile Watermarking
Jinan University(暨南大学);University of Macau(澳门大学);Sun Yat-sen University(中山大学);Nanyang Technological University(南洋理工大学)
本文提出VeriFi框架,结合版权保护、像素级篡改定位和高保真面部内容恢复,通过紧凑语义潜在水印和AIGC攻击模拟器提升水印鲁棒性和恢复质量。
2026-08-28 cs.AI cs.CV
MarkSplatter: Generalizable Watermarking for 3D Gaussian Splatting Model via Splatter Image Structure
Department of Computer Science, Hong Kong Baptist University(香港 Baptist 大学计算机科学系)
针对现有3DGS水印需为每条消息高成本微调的问题,提出首个通用3DGS水印框架MarkSplatter,通过GaussianBridge转换格式、不确定性感知热图保不可感知性、密集分割提取保鲁棒性,单次前向传播即可完成水印嵌入。
2025-08-31 cs.CV
Geometric Image Synchronization with Deep Watermarking
FAIR, Meta Superintelligence Labs(FAIR、Meta超智能实验室);ETH Zurich(苏黎世联邦理工学院)
本文提出SyncSeal水印方法,通过嵌入与提取网络端到端预测并反演图像几何变换,可增强现有水印对几何攻击的鲁棒性。
2025-09-18 cs.CV
NAWE: Digital Watermarking with Neural-Assisted Watermark Extraction
University of Geneva(日内瓦大学)
NAWE结合显式信号处理水印与预训练神经宿主预测器,通过周期载波和Polar编码实现鲁棒提取,在多种攻击下取得最低误码率。
2026-09-23 cs.CV cs.MM
Foveation Improves Payload Capacity in Steganography
University College London(伦敦大学学院);New York University(纽约大学)
通过高效潜在表示和注视点渲染,提升隐写术的载荷能力至500位,并在高准确率和视觉质量上取得显著成果。
2025-12-10 cs.CV cs.GR
Provenance Detection for AI-Generated Images: Combining Perceptual Hashing, Homomorphic Encryption, and AI Detection Models
Zellic(泽利克公司);MIT(麻省理工学院);Newcastle University(纽卡斯尔大学);Polish Academy of Science(波兰科学院)
针对AI生成敏感图像来源识别难题,提出融合DinoHash感知哈希、MP-FHE隐私保护与AI媒体检测的三段式框架,显著提升抗变换鲁棒性、检测准确率与查询隐私。
2025-03-14 cs.CV
RAVEN: Erasing Invisible Watermarks via Novel View Synthesis
MBZUAI, UAE(阿联酋MBZUAI);Michigan State University, USA(美国密歇根州立大学)
RAVEN通过新颖的视角合成方法,在不依赖检测器或水印知识的情况下,实现了对多种水印方案的高效抑制,提升了水印去除的鲁棒性。
2026-01-13 cs.CV
Diffusion-Based Image Editing for Breaking Robust Watermarks
本文提出扩散驱动的图像再生与引导扩散攻击,能有效擦除鲁棒水印并保持视觉质量,在多个先进水印方案上实现接近零的恢复率,揭示生成模型时代水印的根本脆弱性。
2025-10-07 cs.CV
Distortion Agnostic Deep Watermarking
Google Research(谷歌研究院);Stanford University(斯坦福大学)
水印是将信息嵌入到图像中的过程,该图像可以在失真下存活,同时要求编码图像与原始图像具有很小或没有感知差异。最近,基于深度学习的方法在各种图像失真下的视觉质量和消息有效载荷方面都取得了令人印象深刻的结果。然而,这些方法都需要在训练时的图像失真的可微模型,并可能推广到未知的失真。这是不希望的,因为应用于加水印图像的失真类型通常是未知的和不可微的。在本文中,我们提出了一个新的框架失真不可知水印,图像失真是不明确建模在训练过程中。相反,我们的系统的鲁棒性来自两个来源:对抗训练和信道编码。与在一组固定的失真和噪声水平上进行训练相比,我们的方法在训练期间可用的失真上取得了相当或更好的结果,并且在未知失真上取得了更好的性能。
2020-01-14 cs.CV cs.LG cs.MM
HDR image watermarking using saliency detection and quantization index modulation
Monash University Malaysia(马来西亚莫纳什大学);Okayama University(冈山大学)
高动态范围(HDR)图像在互联网上迅速传播,存在被利用进行未经授权使用的风险。为了保护这些图像,提出了一些基于HDR图像的水印(HDR-IW)方法。然而,他们继承了传统的IW方法所面临的标准动态范围(SDR)的图像,其中只有相互冲突的要求之间的权衡管理,而不是同时改善相同的问题。本文提出了一种新的基于显著性(引人注目的对象)检测的权衡独立的HDR-IW,同时提高鲁棒性,不可感知性和有效载荷。首先,宿主图像通过我们提出的显著性目标检测模型来产生显著性图,然后利用该显著性图来分割宿主图像的前景和背景。然后,使用相同的掩码将二值水印分割为前景和背景,并使用随机置换算法进行置乱。最后,水印段被嵌入到相应的主机段使用量化索引调制选定的位平面。实验结果表明,所提出的工作优于国家的最先进的方法,在改善冲突的要求。
2023-02-23 cs.CV cs.MM
A Novel Block-DCT and PCA Based Image Perceptual Hashing Algorithm
Shenzhen University(深圳大学)
图像感知散列在内容索引、大规模图像数据库管理、认证和身份验证以及数字水印等方面有着广泛的应用。本文提出了一种基于分块DCT和PCA的图像感知散列算法,并探讨了该算法在篡改检测中的应用。该算法的主要思想是综合图像块的颜色直方图和DCT系数作为感知特征,然后利用PCA对感知特征进行压缩作为内部特征,并对压缩后的图像块进行阈值处理,生成鲁棒的散列。所提出的算法的鲁棒性和歧视属性进行了详细评估。我们的算法首先构建一个二次图像,来自输入图像的伪随机提取的特征,近似捕捉半全局的几何特征。从二次图像(在感知上与输入不相似)中,我们进一步提取最终特征,这些特征可以用作散列值(并且可以进一步适当量化)。在本文中,我们使用谱矩阵不变量,体现了奇异值分解。令人惊讶的是,二次图像的形成变得非常重要,因为它不仅引入了进一步的鲁棒性,而且还增强了安全性。事实上,我们的实验表明,我们的散列算法从图像中提取了大部分几何信息,因此对图像上的严重扰动(例如,20度旋转的区域裁剪高达%50)具有鲁棒性,同时避免了错误分类。实验结果表明,该算法能有效地解决图像篡改检测问题,具有较好的鲁棒性和鉴别力。
2013-06-18 cs.CV
Deep Boosting Robustness of DNN-based Image Watermarking via DBMark
Southern University of Science and Technology(南方科技大学);Hunan University(湖南大学);Changsha University of Science and Technology(长沙理工大学)
图像水印是一种将信息隐藏到图像中的技术,该图像可以承受失真,同时要求编码图像在感知上与原始图像相同。基于深度神经网络(DNN)的数字水印技术取得了令人瞩目的进展。在各种失真下具有更高的鲁棒性是数字图像水印技术的永恒追求。在本文中,我们提出了DBMARK,一种新的端到端数字图像水印框架,以深入提高基于DNN的图像水印的鲁棒性。关键的新颖性是可逆神经网络(INN)和有效的水印特征生成的协同作用。该框架通过有效的基于神经网络的消息处理器生成具有冗余和纠错能力的水印特征,并与INN强大的信息嵌入和提取能力相结合,实现了更高的鲁棒性和不可见性。神经网络强大的学习能力使消息处理器能够适应各种失真。此外,我们建议将水印信息嵌入到离散小波变换(DWT)域中,并设计低-低(LL)子带损失以增强不可见性。大量的实验结果表明,所提出的框架相比,国家的最先进的在各种失真,如辍学,裁剪,裁剪,高斯滤波器,JPEG压缩的优越性。
2022-11-16 cs.CR cs.CV
DeMark: A Query-Free Black-Box Attack on Deepfake Watermarking Defenses
UNSW Sydney(新南威尔士大学悉尼分校);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61)
DeMark通过利用潜在空间漏洞,对深度伪造水印防御方案发起无需查询的黑盒攻击,显著降低检测准确率并揭示现有防御方案的脆弱性。
2026-01-23 cs.AI cs.CR cs.CV
LampMark: Proactive Deepfake Detection via Training-Free Landmark Perceptual Watermarks
Nanyang Technological University(南洋理工大学);Qilu University of Technology(齐鲁工业大学);Shandong University(山东大学)
针对被动深度伪造检测算法泛化性不足的问题,提出主动检测方法LampMark,通过免训练的地标感知水印,从面部地标生成二进制水印并嵌入图像,通过水印一致性检测深度伪造,性能优于现有方法。
2024-11-26 cs.CV
Gaussian Shannon: High-Precision Diffusion Model Watermarking Based on Communication
本文提出Gaussian Shannon水印框架,通过将扩散过程视为噪声通信信道,实现鲁棒追踪和精确位恢复,适用于无损元数据应用。
2026-04-08 cs.CR cs.CV
WaveMark: Robust Wavelet-Domain Image Watermarking for Diffusion Models
Queen's University(女王大学);Nanjing University(南京大学)
本文提出WaveMark小波域水印方法,将消息嵌入扩散模型初始噪声,通过多维度分布带密钥消息位副本提升鲁棒性,在14种攻击下对SD2.1生成图像的位准确率优于基线,可用于扩散模型生成图像的来源追踪与知识产权保护。
2026-10-12 cs.CR cs.CV
Dual Defense: Adversarial, Traceable, and Invisible Robust Watermarking against Face Swapping
Wuhan University(武汉大学)
针对人脸交换伪造的威胁,提出结合溯源性与对抗性的主动防御机制Dual Defense,通过在目标人脸中不可见地嵌入鲁棒水印,在破坏伪造输出的同时支持全程溯源,实现了优于现有方法的防御成功率与泛化能力。
2023-10-25 cs.CV
README: Robust Error-Aware Digital Signature Framework via Deep Watermarking Model
Korea University(韩国大学)
本文提出README框架,通过基于裁剪的容量扩展机制和ERPA纠错模块,在无需微调预训练水印模型的情况下,将2048位数字签名嵌入单张图像的零位错误率从1.2%提升至86.3%,实现鲁棒、可验证且容错的图像数字签名。
2025-07-06 cs.CR cs.CV
Video Seal: Open and Efficient Video Watermarking
Meta FAIR
针对现有开放视频水印工具在效率、鲁棒性等方面的不足,本文提出开源框架Video Seal,采用多阶段联合训练与时间水印传播技术,在速度、不可感知性及复杂失真下的鲁棒性上表现更优,并开源相关资源推动领域发展。
2024-12-12 cs.AI cs.CV cs.MM
Rethinking Visual Provenance: Detection and Watermarking Across Direct Visual Generation and LLM-Driven Code Rendering
UNSW Sydney(新南威尔士大学)
本文提出一个生产中心框架,比较直接生成与代码渲染两条视觉创作路径的检测和水印,并给出十个研究问题,形成概念性研究议程。
2026-10-14 cs.CR cs.CV
WARP: A Unified Benchmark for Invisible Image Watermarking -- Robustness and Protection Against Attacks
MSU Institute for Artificial Intelligence(莫斯科国立大学人工智能研究所);Trusted AI Research Center RAS(俄罗斯科学院可信人工智能研究中心)
本文提出WARP,一个统一基准,整合32种水印方法和34种攻击,系统评估不可见水印的鲁棒性,识别最鲁棒方法及攻击弱点,并开源代码。
2026-10-01 cs.AI cs.CV cs.MM
SpreadMark: Robust Image Watermarking via Spread-Spectrum Embedding
University of New South Wales(新南威尔士大学);National University of Singapore(新加坡国立大学)
本研究提出SpreadMark,通过将每个消息比特以密集伪随机码字分布于全图像的扩频嵌入方式,提升了图像水印的鲁棒性,在多数据集测试中表现优于9种方案,兼具高检测性能与不可感知性。
2026-08-20 cs.CR cs.CV
HMARK: Radioactive Multi-Bit Semantic-Latent Watermarking for Diffusion Models
University of Toronto(多伦多大学)
HMARK通过在扩散模型的语义-潜在空间中编码所有权信息,实现多比特水印,以检测和防止未经授权的数据训练。
2025-11-26 cs.CR cs.CV
MT-Mark: Rethinking Image Watermarking via Mutual-Teacher Collaboration with Adaptive Feature Modulation
Beijing University of Posts and Telecommunications(北京邮电大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
MT-Mark通过互教师协作与自适应特征调制重新设计图像水印技术,实现嵌入与提取的显式协作,提升鲁棒性和提取准确性。
2025-12-22 cs.AI cs.CV
SPDMark: Selective Parameter Displacement for Robust Video Watermarking
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学);Michigan State University (MSU)(密歇根州立大学)
SPDMark通过在视频扩散模型中选择性位移参数,在生成视频时嵌入不可见水印,实现高鲁棒性和计算效率的平衡。
2026-04-01 cs.CR cs.CV cs.LG
Low-Compute Watermark Removal via Dual-Domain Natural Projection
Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign, USA(伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系)
本文提出了一种轻量级且无需训练的攻击方法DAWN,通过在互补频率和语义空间中投影水印图像,以低计算成本实现高效的水印移除,同时保持结构和语义的完整性。
2026-05-18 cs.CV
Robust Identity Perceptual Watermark Against Deepfake Face Swapping
School of Computing, National University of Singapore(新加坡国立大学计算机学院);Shandong Artificial Intelligence Institute, Qilu University of Technology (Shandong Academy of Sciences)(山东人工智能研究院,齐鲁工业大学(山东科学院));School of Cyber Security, Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东科学院)网络安全学院);Key Laboratory of Computing Power Network and Information Security, Ministry of Education, China(教育部计算能力网络与信息安全重点实验室)
针对 Deepfake 换脸引发的隐私问题及现有主动防御方法的不足,提出一种鲁棒的身份感知水印框架,通过结合身份语义、混沌加密与对抗训练,实现了无需真实标签的高效伪造检测与溯源,在跨数据集和跨篡改设置下达到最先进水平。
2025-11-04 cs.CV
Video Signature: Implicit Watermarking for Video Diffusion Models
AI Thrust, Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州)人工智能 thrust);Hong Kong University of Science and Technology(香港科学与技术大学);School of Software, BNRist, Tsinghua University(清华大学软件学院)
针对视频生成水印中质量与提取权衡失衡、计算量大的问题,提出隐式水印方法Video Signature(\textsc{VidSig}),通过部分微调潜在解码器并结合扰动感知抑制和时间对齐模块,实现不可感知水印集成,在质量、提取准确率和延迟间取得最佳权衡且鲁棒性强。
2025-11-16 cs.CR cs.CV
Breaking Watermarks in the Frequency Domain: A Modulated Diffusion Attack Framework
Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院));Dalian Maritime University(大连海事大学);Nanjing University of Science and Technology(南京理工大学);Shandong Jianzhu University(山东建筑大学)
本文提出FMDiffWA框架,通过频域调制模块在正反扩散过程中实现水印信号的高效去除,同时保持图像视觉质量,改进了传统扩散模型的训练策略,实验显示其在视觉保真度和通用性方面优于现有方法。
2026-04-24 cs.CV
Exact Histogram Specification Optimized for Structural Similarity
精确直方图规范(EHS)方法修改其输入图像以具有指定的直方图。EHS的应用包括图像(对比度)增强(例如,通过直方图均衡化)和直方图水印。然而,对图像执行EHS会降低其视觉质量。从一个通用的EHS方法的输出,我们最大化的原始图像(EHS之前)和EHS的结果之间的结构相似性指数(SSIM)迭代。在这个过程中的关键是计算简单和准确的公式,我们推导出SSIM梯度。由于它是基于梯度上升,建议EHS总是收敛。实验结果表明,该方法在获得准确的直方图的同时,在视觉质量方面始终优于现有的方法。所提出的方法的计算复杂性是相同的顺序,现有的方法。索引术语:直方图修改、直方图均衡化、感知视觉质量优化、结构相似性梯度上升、直方图水印、对比度增强。
2008-12-31 cs.CV cs.MM
Pixel Seal: Adversarial-only training for invisible image and video watermarking
Meta FAIR
Pixel Seal通过仅对抗训练范式和三阶段训练计划,解决了现有水印方法在鲁棒性和不可感知性上的不足,实现了高分辨率图像和视频的高效不可见水印技术。
2025-12-18 cs.AI cs.CR cs.CV
RoSteALS: Robust Steganography using Autoencoder Latent Space
University of Surrey(萨里大学);Adobe Research(Adobe研究院);Salesforce Research(赛富时研究院)
提出RoSteALS隐写技术,利用冻结预训练自编码器潜空间实现轻量、易训练且鲁棒的密钥嵌入,在三个基准上达到完美秘密恢复与可比图像质量,并可适配无载体隐写应用。
2023-04-06 cs.CV
Exploring Weaknesses of Generative Image Watermarks against Latent Frequency Masking
MSU AI Institute(莫斯科国立大学人工智能研究所);Trusted AI Research Center RAS(俄罗斯科学院可信人工智能研究中心)
本研究提出潜在频率掩蔽攻击,通过替换潜在表示中的傅里叶系数擦除水印,在六种扩散水印方法上验证了其有效性与高效性,并指出该攻击面需纳入鲁棒性评估。
2026-10-02 cs.AI cs.CV cs.MM
VIDSTAMP: A Temporally-Aware Watermark for Ownership and Integrity in Video Diffusion Models
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Brown University(布朗大学)
VidStamp通过帧级信息嵌入和动态控制信号实现高容量、低感知影响的视频水印,提升视频扩散模型的版权和完整性保障能力。
2025-11-19 cs.CR cs.CV cs.LG
One Prompt Is Enough: Watermark Laundering Through Foundation Image Models
Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院));University of Wollongong(卧龙岗大学);Dalian Polytechnic University(大连工业大学)
该研究揭示了基础图像模型可通过单步重建实现不可见水印洗白,通过多模型多方案实验明确其机制与独特性,建议将其作为水印评估的新鲁棒性条件。
2026-09-02 cs.AI cs.CR cs.CV
Training-Free Color-Aware Adversarial Diffusion Sanitization for Diffusion Stegomalware Defense at Security Gateways
本文提出无需训练的对抗扩散净化方法,通过中和隐藏负载而非检测来防御扩散隐写术,有效降低安全网关的威胁。
2025-12-30 cs.CR cs.CV
The Forensic Cost of Watermark Removal: From Dedicated Attacks to Image Editing
IMATAG(IMATAG机构);IRISA, Univ. Rennes, INRIA, CNRS(IRISA大学、INRIA和CNRS)
本文提出水印移除检测(WRD)作为新评估维度,通过训练分类器检测移除痕迹,在10^{-3}假阳性率下实现最优检测,证明法医隐蔽性是水印移除的必要条件。
2026-05-27 cs.AI cs.CV
Image Data Hiding in Neural Compressed Latent Representations
National Taiwan University(台湾大学)
本研究提出一种在通用神经压缩器潜表示中嵌入提取秘密的端到端可学习图像数据隐藏框架,结合感知损失与自研编解码实现高质高准确率,在压缩域保密性、鲁棒性及50倍以上的嵌入速度提升上表现优异,为神经压缩技术及应用提供新思路。
2023-10-01 cs.CR cs.CV
Understanding Semantic Perturbations on In-Processing Generative Image Watermarks
University of Maryland, College Park, MD, USA(马里兰大学帕克分校)
研究探讨了生成图像水印在处理过程中对语义扰动的鲁棒性,提出多阶段框架进行系统压力测试,发现语义编辑会显著降低水印检测能力,揭示当前水印评估存在的关键缺口。
2026-03-29 cs.AI cs.CV
AngelFingerprint: A Traceable, Explainable, and White-Box Stealthy Watermark for Text-Guided Image Editing
National Taiwan University(台湾大学);National Institute of Informatics(信息学研究所)
针对文本引导图像编辑的虚假信息问题,提出AngelFingerprint水印框架,通过集成LoRA嵌入CLIP文本嵌入,结合速度对齐锚点和频率滤波器,在MagicBrush数据集上200路提示检索top-1准确率达86%,优于提示反转的20%。
2026-09-07 cs.CV
Watermark Anything with Localized Messages
Meta FAIR;CMAP, École polytechnique(CMAP,巴黎高等理工学院);Centre Inria de l’Université de Rennes(里昂大学Inria研究中心)
本文提出 Watermark Anything Model(WAM),通过联合训练嵌入器与提取器,实现局部化水印嵌入、区域分割与多消息提取,在拼接和修复攻击下保持高鲁棒性,并能从小区域中低误码率恢复 32 位消息。
2025-07-22 cs.CR cs.CV
OSI: One-step Inversion Excels in Extracting Diffusion Watermarks
State Key Laboratory of AI Safety, Institute of Computing Technology, CAS, China(人工智能安全国家重点实验室,计算技术研究所,中国科学院);University of Chinese Academy of Sciences (CAS), China(中国科学院大学);School of Information Science and Technology, ShanghaiTech University, China(信息科学与技术学院,上海科技大学)
OSI通过一步反向高效提取高斯阴影水印,速度快20倍,精度更高,承载能力翻倍。
2026-02-10 cs.CV
Removing Watermarks with Partial Regeneration using Semantic Information
International Computer Science Institute(国际计算机科学研究所);School of Computing and Augmented Intelligence(计算与增强智能学院);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Department of Statistics(统计学系);University of California at Berkeley(加州大学伯克利分校)
本文提出三阶段无标签攻击SemanticRegen,利用视觉-语言描述、零样本分割与LLM引导扩散仅重建背景,可在高保真条件下削弱多种不可见水印。
2025-05-13 cs.AI cs.CR cs.CV
Just Noticeable Difference for Deep Machine Vision
Nanyang Technological University(南洋理工大学);Alibaba-NTU Singapore Joint Research Institute(阿里巴巴-南洋理工大学新加坡联合研究院);Tsinghua University(清华大学);Beijing Jiao Tong University(北京交通大学);Beijing Key Laboratory of Advanced Information Science and Network Technology(北京市先进信息科学与网络技术重点实验室);Alibaba Cloud Business Group(阿里巴巴云业务集团)
作为人类视觉系统(HVS)的一个重要感知特性,几十年来,JND(Just Noticeable Difference)已经随着图像和视频处理(例如,感知视觉信号压缩)。尽管深度机器视觉(DMV)在许多机器视觉任务中取得了长足的进步,但对于深度机器视觉中JND的存在性的研究却很少。在本文中,我们采取了初步的尝试,并证明了DMV的JND,称为DMV-JND。然后,我们提出了一个JND模型的图像分类任务的DMV。已经发现,DMV可以容忍失真图像的平均PSNR只有9.56 dB(越低越好),通过产生JND通过无监督学习与建议DMV-JND-NET。特别是,语义指导的冗余评估策略的设计,以抑制的DMV-JND的大小和空间分布。图像分类的实验结果表明,我们成功地找到了深度机器视觉的JND。我们的DMV-JND有利于面向DMV的图像和视频压缩,水印,质量评估,深度神经网络安全,等等可能的方向。
2022-01-07 cs.CV eess.IV
SteganoGAN: High Capacity Image Steganography with GANs
MIT(麻省理工学院);Univ. Rey Juan Carlos(胡安卡洛斯国王大学)
图像隐写术是一种将信息隐藏在图像中的方法。虽然密码学等其他技术旨在防止对手阅读秘密消息,但隐写术旨在隐藏消息本身的存在。在本文中,我们提出了一种新的技术,用于隐藏图像中的任意二进制数据使用生成对抗网络,使我们能够优化我们的模型产生的图像的感知质量。我们表明,我们的方法实现了每像素4.4位的最先进的有效载荷,逃避隐写分析工具的检测,并且对来自多个数据集的图像有效。为了进行公平的比较,我们发布了一个开源库,可在https://github.com/DAI-Lab/SteganoGAN上在线访问。
2019-01-30 cs.CV cs.LG cs.MM
Watermarks and Fingerprints as Soft Bindings for Content Provenance: An Open-Licence Benchmark for Images, Audio and Video
Original Pictures Technologies, Inc.(Original Pictures Technologies 公司)
该基准在开放许可模型下比较水印与指纹两类内容来源软绑定方法,覆盖图像、音频和视频,发现PixelSeal和AudioSeal分别最优,并揭示指纹在图像副本检测上更有效,而水印在视频上更有效。
2026-10-06 cs.CV
Towards Effective User Attribution for Latent Diffusion Models via Watermark-Informed Blending
Shanghai Jiao Tong University(上海交通大学);Nanjing University(南京大学);Michigan State University(密歇根州立大学)
提出TEAWIB框架,通过即用型配置和像素级噪声增强实现潜在扩散模型的高效用户归属,兼顾图像质量与归属准确性。
2024-12-16 cs.CR cs.CV cs.MM