ONRW: 고품질 및 강력한 워터마크를 위한 역전 잡음 최적화

ONRW: Optimizing inversion noise for high-quality and robust watermark

워터마킹 방법은 지적 재산 보호에 효과적인 수단이지만, 상당한 어려움에 직면해 있습니다. 기존의 딥러닝 기반 워터마킹 시스템은 이미지 품질에 미치는 영향을 최소화하면서 이미지에 워터마크를 숨길 수 있지만, 전송 과정에서 발생하는 이미지 손상에 대한 강건성이 부족하여 실용적인 가치를 저해합니다. 이에, 본 연구에서는 확산 모델을 기반으로 고품질 및 강건한 워터마크 프레임워크를 제안합니다. 우리의 방법은 먼저, 텍스트 최적화 과정을 통해 원본 이미지를 역전 잡음으로 변환하고, 잠재 공간에서 역전 잡음을 최적화한 후, 확산 모델의 반복적인 디노이징 과정을 통해 고품질의 워터마크 이미지를 생성합니다. 반복적인 디노이징 과정은 강력한 정제 메커니즘으로 작용하여 워터마크 이미지의 시각적 품질을 보장하고 다양한 손상에 대한 워터마크의 강건성을 향상시킵니다. 또한, 역전 잡음 최적화 과정이 원본 이미지의 의미를 왜곡하지 않도록, 자체 주의(self-attention) 제약 조건과 유사 마스크(pseudo-mask) 전략을 특별히 도입했습니다. 광범위한 실험 결과는 우리 방법이 다양한 이미지 손상에 대해 우수한 성능을 보임을 입증합니다. 특히, COCO 데이터셋에서 12가지 다양한 이미지 변환에 대해, 기존의 안정적인 서명(stable signature) 방법보다 평균 10% 더 높은 성능을 보였습니다. 본 연구의 코드는 https://github.com/920927/ONRW 에서 확인할 수 있습니다.

Watermarking methods have always been effective means of protecting intellectual property, yet they face significant challenges. Although existing deep learning-based watermarking systems can hide watermarks in images with minimal impact on image quality, they often lack robustness when encountering image corruptions during transmission, which undermines their practical application value. To this end, we propose a high-quality and robust watermark framework based on the diffusion model. Our method first converts the clean image into inversion noise through a null-text optimization process, and after optimizing the inversion noise in the latent space, it produces a high-quality watermarked image through an iterative denoising process of the diffusion model. The iterative denoising process serves as a powerful purification mechanism, ensuring both the visual quality of the watermarked image and enhancing the robustness of the watermark against various corruptions. To prevent the optimizing of inversion noise from distorting the original semantics of the image, we specifically introduced self-attention constraints and pseudo-mask strategies. Extensive experimental results demonstrate the superior performance of our method against various image corruptions. In particular, our method outperforms the stable signature method by an average of 10\% across 12 different image transformations on COCO datasets. Our codes are available at https://github.com/920927/ONRW.