مقاله یک واترمارک تصویر تا حدودی قوی در برابر مدل های ویرایش مبتنی بر انتشار

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی A Somewhat Robust Image Watermark against Diffusion-based Editing Models
عنوان مقاله به فارسی مقاله یک واترمارک تصویر تا حدودی قوی در برابر مدل های ویرایش مبتنی بر انتشار
نویسندگان Mingtian Tan, Tianhao Wang, Somesh Jha
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Cryptography and Security,Computer Vision and Pattern Recognition,Machine Learning,رمزنگاری و امنیت , چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 22 November, 2023; originally announced November 2023.
توضیحات به فارسی ارسال شده 22 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد.

چکیده

Recently, diffusion models (DMs) have become the state-of-the-art method for image synthesis. Editing models based on DMs, known for their high fidelity and precision, have inadvertently introduced new challenges related to image copyright infringement and malicious editing. Our work is the first to formalize and address this issue. After assessing and attempting to enhance traditional image watermarking techniques, we recognize their limitations in this emerging context. In response, we develop a novel technique, RIW (Robust Invisible Watermarking), to embed invisible watermarks leveraging adversarial example techniques. Our technique ensures a high extraction accuracy of $96\%$ for the invisible watermark after editing, compared to the $0\%$ offered by conventional methods. We provide access to our code at https://github.com/BennyTMT/RIW.

چکیده به فارسی (ترجمه ماشینی)

اخیراً ، مدل های انتشار (DMS) به روش پیشرفته ای برای سنتز تصویر تبدیل شده اند.مدلهای ویرایش مبتنی بر DMS ، که به دلیل وفاداری و دقت بالا شناخته شده اند ، سهواً چالش های جدیدی را در رابطه با نقض حق چاپ در تصویر و ویرایش مخرب معرفی کرده اند.کار ما اولین کسی است که به این مسئله رسمیت و رسیدگی می کند.پس از ارزیابی و تلاش برای تقویت تکنیک های سنتی علامت گذاری تصویر ، ما محدودیت های آنها را در این زمینه نوظهور تشخیص می دهیم.در پاسخ ، ما یک تکنیک جدید ، RIW (علامت گذاری نامرئی قوی) را ایجاد می کنیم ، تا علامت های نامرئی نامرئی را که از تکنیک های نمونه مخالف استفاده می کنند ، جاسازی کنیم.تکنیک ما از دقت استخراج بالا 96 \ $ $ برای علامت نامرئی پس از ویرایش ، در مقایسه با 0 $ \ $ $ ارائه شده توسط روش های معمولی استفاده می کند.ما دسترسی به کد خود را در https://github.com/bennytmt/riw فراهم می کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.