Robustes Wasserzeichen mit generativen Priors gegen Bildbearbeitung: Von der Benchmarking bis zu Fortschritten

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

October 24, 2024

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

cs.AI

Zusammenfassung

Aktuelle Bild-Wasserzeichenmethoden sind anfällig für fortschrittliche Bildbearbeitungstechniken, die durch groß angelegte Text-zu-Bild-Modelle ermöglicht werden. Diese Modelle können eingebettete Wasserzeichen während der Bearbeitung verzerren und stellen somit erhebliche Herausforderungen für den Urheberschutz dar. In dieser Arbeit stellen wir W-Bench vor, den ersten umfassenden Benchmark, der entwickelt wurde, um die Robustheit von Wasserzeichnungsmethoden gegen eine Vielzahl von Bildbearbeitungstechniken zu bewerten, einschließlich Bildregeneration, globaler Bearbeitung, lokaler Bearbeitung und Bild-zu-Video-Erstellung. Durch umfangreiche Bewertungen von elf repräsentativen Wasserzeichnungsmethoden gegen verbreitete Bearbeitungstechniken zeigen wir, dass die meisten Methoden Wasserzeichen nach solchen Bearbeitungen nicht erkennen können. Um diese Einschränkung zu beheben, schlagen wir VINE vor, eine Wasserzeichnungsmethode, die die Robustheit gegen verschiedene Bildbearbeitungstechniken erheblich verbessert, während sie eine hohe Bildqualität beibehält. Unser Ansatz umfasst zwei Schlüsselinnovationen: (1) Wir analysieren die Frequenzeigenschaften der Bildbearbeitung und identifizieren, dass Unschärfeverzerrungen ähnliche Frequenzeigenschaften aufweisen, was es uns ermöglicht, sie als Ersatzangriffe während des Trainings zu verwenden, um die Robustheit des Wasserzeichens zu stärken; (2) Wir nutzen ein groß angelegtes vortrainiertes Diffusionsmodell SDXL-Turbo und passen es für die Wasserzeichnungsaufgabe an, um eine noch unauffälligere und robustere Wasserzeichen-Einbettung zu erreichen. Experimentelle Ergebnisse zeigen, dass unsere Methode eine herausragende Wasserzeichnungsleistung unter verschiedenen Bildbearbeitungstechniken erzielt und bestehende Methoden sowohl in Bildqualität als auch in Robustheit übertrifft. Der Code ist verfügbar unter 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.