Wasserzeichen mit lokalisierten Nachrichten versehen.

Watermark Anything with Localized Messages

November 11, 2024

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

cs.AI

Zusammenfassung

Bild-Wasserzeichenmethoden sind nicht darauf ausgelegt, kleine wassermarkierte Bereiche zu handhaben. Dies schränkt die Anwendungen in realen Szenarien ein, in denen Teile des Bildes aus verschiedenen Quellen stammen oder bearbeitet wurden. Wir stellen ein Deep-Learning-Modell für lokalisiertes Bild-Wasserzeichen vor, das als Watermark Anything Model (WAM) bezeichnet wird. Der WAM-Einbettungsprozess modifiziert das Eingabebild unmerklich, während der Extraktor das empfangene Bild in wassermarkierte und nicht wassermarkierte Bereiche unterteilt und eine oder mehrere versteckte Nachrichten aus den als wassermarkiert identifizierten Bereichen wiederherstellt. Die Modelle werden gemeinsam bei niedriger Auflösung und ohne wahrnehmungsbasierte Einschränkungen trainiert, dann für Unmerklichkeit und mehrere Wasserzeichen nachtrainiert. Experimente zeigen, dass WAM in Bezug auf Unmerklichkeit und Robustheit wettbewerbsfähig mit State-of-the-Art-Methoden ist, insbesondere gegenüber Retuschierungen und Montagen, selbst bei hochauflösenden Bildern. Darüber hinaus bietet es neue Möglichkeiten: WAM kann wassermarkierte Bereiche in montierten Bildern lokalisieren und unterschiedliche 32-Bit-Nachrichten mit weniger als 1 Bit Fehler aus mehreren kleinen Regionen extrahieren - die nicht größer als 10% der Bildfläche sind - selbst für kleine 256x256-Bilder.

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.