Marquage robuste par filigrane utilisant des prédictions génératives contre la retouche d'image : de l'évaluation aux avancées

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

October 24, 2024

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

cs.AI

Résumé

Les méthodes actuelles de tatouage d'images sont vulnérables aux techniques avancées de retouche d'images permises par les modèles texte-image à grande échelle. Ces modèles peuvent déformer les tatouages intégrés lors de la retouche, posant des défis significatifs à la protection des droits d'auteur. Dans ce travail, nous introduisons W-Bench, le premier banc d'essai complet conçu pour évaluer la robustesse des méthodes de tatouage contre une large gamme de techniques de retouche d'images, incluant la régénération d'images, la retouche globale, la retouche locale et la génération d'images vers vidéo. À travers des évaluations approfondies de onze méthodes de tatouage représentatives contre des techniques de retouche prévalentes, nous démontrons que la plupart des méthodes échouent à détecter les tatouages après de telles retouches. Pour remédier à cette limitation, nous proposons VINE, une méthode de tatouage qui améliore significativement la robustesse contre diverses techniques de retouche d'images tout en maintenant une haute qualité d'image. Notre approche implique deux innovations clés : (1) nous analysons les caractéristiques fréquentielles de la retouche d'images et identifions que les distorsions de flou présentent des propriétés fréquentielles similaires, ce qui nous permet de les utiliser comme attaques de substitution lors de l'entraînement pour renforcer la robustesse du tatouage ; (2) nous exploitons un modèle de diffusion pré-entraîné à grande échelle, SDXL-Turbo, en l'adaptant à la tâche de tatouage pour obtenir un tatouage plus imperceptible et robuste. Les résultats expérimentaux montrent que notre méthode atteint une performance de tatouage exceptionnelle sous diverses techniques de retouche d'images, surpassant les méthodes existantes à la fois en qualité d'image et en robustesse. Le code est disponible sur 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.