Inserire un watermark su qualsiasi cosa con messaggi localizzati

Watermark Anything with Localized Messages

November 11, 2024

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

cs.AI

Abstract

I metodi di watermarking delle immagini non sono progettati per gestire aree con watermark piccole. Questo limita le applicazioni in scenari reali in cui parti dell'immagine possono provenire da diverse fonti o essere state modificate. Introduciamo un modello di deep learning per il watermarking localizzato delle immagini, chiamato Watermark Anything Model (WAM). L'inseritore WAM modifica in modo impercettibile l'immagine di input, mentre l'estratore suddivide l'immagine ricevuta in aree con watermark e aree senza watermark e recupera uno o più messaggi nascosti dalle aree individuate come con watermark. I modelli vengono addestrati congiuntamente a bassa risoluzione e senza vincoli percettivi, per poi essere post-addestrati per l'impercettibilità e i multi-watermark. Gli esperimenti mostrano che WAM è competitivo con i metodi all'avanguardia in termini di impercettibilità e robustezza, specialmente contro l'inpainting e lo splicing, anche su immagini ad alta risoluzione. Inoltre, offre nuove capacità: WAM può individuare aree con watermark in immagini spliced ed estrarre distinti messaggi a 32 bit con meno di 1 bit di errore da diverse piccole regioni - non più grandi del 10% della superficie dell'immagine - anche per immagini di dimensioni ridotte come 256x256.

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.