Voeg een watermerk toe aan alles met gelokaliseerde berichten.

Watermark Anything with Localized Messages

November 11, 2024

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

cs.AI

Samenvatting

Beeldwatermerkmethoden zijn niet afgestemd op het verwerken van kleine watermerkgebieden. Dit beperkt de toepassingen in realistische scenario's waar delen van de afbeelding afkomstig kunnen zijn van verschillende bronnen of bewerkt kunnen zijn. We introduceren een diep-leermodel voor gelokaliseerd beeldwatermerken, genaamd het Watermerk Alles Model (WAM). De WAM-invoeger wijzigt onopgemerkt de invoerafbeelding, terwijl de extractor de ontvangen afbeelding opdeelt in watergemerkte en niet-watergemerkte gebieden en één of meerdere verborgen berichten herstelt uit de als watergemerkt geïdentificeerde gebieden. De modellen worden gezamenlijk getraind op lage resolutie en zonder waarnemingsbeperkingen, waarna ze worden bijgeschoold voor onopmerkbaarheid en meerdere watermerken. Experimenten tonen aan dat WAM concurrerend is met state-of-the-art methoden wat betreft onopmerkbaarheid en robuustheid, vooral tegen inpainting en splicing, zelfs bij hoge-resolutieafbeeldingen. Bovendien biedt het nieuwe mogelijkheden: WAM kan watergemerkte gebieden lokaliseren in gesplitste afbeeldingen en onderscheidende 32-bits berichten extraheren met minder dan 1 bit fout uit meerdere kleine regio's - niet groter dan 10% van het oppervlak van de afbeelding - zelfs voor kleine 256x256 afbeeldingen.

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.