Robuuste watermerken met behulp van generatieve prior-kennis tegen beeldbewerking: Van benchmarking tot vooruitgangen

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

Samenvatting

Huidige methoden voor het watermerken van afbeeldingen zijn kwetsbaar voor geavanceerde beeldbewerkingstechnieken die mogelijk worden gemaakt door grootschalige tekst-naar-afbeelding modellen. Deze modellen kunnen ingebedde watermerken vervormen tijdens het bewerken, wat aanzienlijke uitdagingen met zich meebrengt voor auteursrechtbescherming. In dit werk introduceren we W-Bench, de eerste uitgebreide benchmark die is ontworpen om de robuustheid van watermerkmethoden te evalueren tegen een breed scala van beeldbewerkingstechnieken, waaronder beeldregeneratie, globale bewerking, lokale bewerking en beeld-naar-video generatie. Door uitgebreide evaluaties van elf representatieve watermerkmethoden tegen gangbare bewerkingstechnieken, tonen we aan dat de meeste methoden er niet in slagen watermerken te detecteren na dergelijke bewerkingen. Om deze beperking aan te pakken, stellen we VINE voor, een watermerkmethode die de robuustheid tegen verschillende beeldbewerkingstechnieken aanzienlijk verbetert terwijl de beeldkwaliteit hoog blijft. Onze aanpak omvat twee belangrijke innovaties: (1) we analyseren de frequentiekenmerken van beeldbewerking en identificeren dat vervagingsvervormingen vergelijkbare frequentie-eigenschappen vertonen, wat ons in staat stelt ze te gebruiken als surrogaataanvallen tijdens training om de watermerkrobuustheid te versterken; (2) we maken gebruik van een grootschalig voorgeleerd diffusiemodel SDXL-Turbo, passen het aan voor de watermerktaak om meer onopvallende en robuuste watermerk insluiting te bereiken. Experimentele resultaten tonen aan dat onze methode uitstekende prestaties op het gebied van watermerken behaalt onder verschillende beeldbewerkingstechnieken, bestaande methoden overtreft zowel in beeldkwaliteit als robuustheid. De code is beschikbaar op 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.