使可见水印更有效

2017年8月17日星期四

发布者:Tali Dekel和Michael Rubinstein,研究科学家

无论您是摄影师,营销经理还是常规互联网用户,您都有可能多次遇到过可见的水印。可见水印是那些通常覆盖在 股票摄影网站提供的数字图像上的标识和图案,标记图像所有者,同时允许观看者感知基础内容,以便他们可以许可符合其需要的图像。它是保护每日在线提供的数亿张照片和图片版权的最常用机制。

标准做法是使用水印,假设它们阻止消费者访问干净的图像,确保不会有未经授权或未经许可的使用。然而,在 2017年计算机视觉和模式识别大会(CVPR 2017)上最近提出的“ 关于可见水印的有效性 ”中,我们展示了计算机算法可以通过这种保护并自动删除水印,使用户无障碍地访问清洁水印旨在保护的图像。

左图:来自流行的股票摄影网站的示例水印图像。右图:左侧图像的无水印版本,由计算机算法自动生成。更多结果可在下面和我们的项目页面上找到。图像来源:Adobe Stock,123RF。

与在操作系统,应用程序或协议中发现的漏洞经常一样,我们希望披露此漏洞并提出解决方案,以帮助摄影和库存图像社区适应并更好地保护其受版权保护的内容和创作。从我们的实验中,世界上大部分的股票图像目前都受到这种规避的影响。因此,在我们的论文中,我们还提出了使可见水印对这种操作更加鲁棒的方法。

可见水印的脆弱性可见水印通常设计为包含复杂的结构,如细线和阴影,以使其更难去除。实际上,给定单个图像,用于计算机自动检测哪些视觉结构属于水印以及哪些结构属于底层图像是非常困难的。手动,从图像中删除水印的任务是繁琐的,即使使用最先进的编辑工具,也可能需要Photoshop专家几分钟才能从一个图像中删除水印。

然而,到目前为止一直被忽视的事实是水印通常以一致的方式添加到许多图像中。我们证明了这种一致性可以用来反转水印过程 - 也就是说,估计水印图像及其不透明度,并恢复下面的原始无水印图像。这可以全部自动完成,无需任何用户干预或关于水印的先前信息,并且仅通过观察在线公开可用的水印图像集合。

许多图像上的水印的一致性允许以大规模自动移除它。左:输入集合用相同的水印标记,中间:计算水印及其不透明度,右:恢复,无水印图像。图像来源:COCO数据集,版权标志。

此过程的第一步是确定哪些图像结构在集合中重复。如果在许多图像中嵌入了类似的水印,则水印成为集合中的信号并且图像变为噪声,并且可以使用简单的图像操作来提取水印图案的粗略估计。

随着图像数量的增加而进行水印提取。左:水印输入图像,中间:输入图像上的中值强度(直到显示的输入图像),右:相应的估计(乱蓬蓬)水印。所有图像均来自123RF。

这提供了无光泽水印的粗略(噪声)估计(水印图像乘以其空间变化的不透明度,即alpha遮罩)。要实际恢复水印下方的图像,我们需要知道水印分解为其图像和alpha遮罩组件。为此,可以形成多图像优化问题,我们称之为“多图像遮罩”(传统的单图像遮罩的扩展)问题),其中水印(“前景”)被分成其图像和不透明度分量,同时重建干净(“背景”)图像的子集。这种优化能够从数百个图像中生成非常准确的水印成分估计,并且可以处理实际使用的大多数水印,包括包含薄结构,阴影或颜色渐变的水印(只要水印是半透明的) 。一旦恢复了水印图案,就可以从其标记的任何图像中有效地去除它。

这里有一些更多的结果,显示了几个流行的股票图像服务生成的估计水印和示例水印免费结果。我们在项目页面上的补充材料中显示了更多结果。

左列:在线自动从水印图像估计的水印(在灰色背景上渲染)。中间列:输入水印图像。右栏:自动删除水印。图像来源:Adobe股票,可以股票照片,123RF, Fotolia。

使水印更有效

当前水印技术的脆弱性在于图像集合中水印的一致性。因此,为了对抗它,我们需要在每个图像中嵌入水印时引入不一致性。在我们的论文中,我们研究了几种类型的不一致性以及它们如何影响上述技术。我们发现,例如,简单地每个图像随机地改变水印的位置不会阻止去除水印,也不会阻止水印的不透明度的小的随机变化。但是我们发现在水印中引入随机几何扰动 - 在将其嵌入每个图像时对其进行翘曲 - 可以提高其稳健性。有趣的是,非常微妙的翘曲已经足以产生这种技术无法完全失败的水印。

在原始水印和稍微随机扭曲的水印之间翻转,可以提高其稳健性

这种扭曲产生的水印图像与原始图像非常相似(下图右上角),但现在如果尝试将其删除,则会留下非常明显的伪影(右下角):

简而言之,其工作原因是因为从任何单个图像中移除随机扭曲的水印需要另外估计应用于该图像的水印的扭曲场 - 这一任务本质上更难。因此,即使可以在存在这些随机扰动(其本身是非平凡的)的情况下估计水印图案,在没有任何可见伪像的情况下准确地去除它也是更具挑战性的。

当使用细微的,随机扭曲的水印版本时,这里有一些关于上面图像的更多结果。再次注意在这种情况下,当尝试去除水印时,可见伪像如何与使用当前一致水印可实现的精确重建相比较。更多结果和详细分析可以在中找到我们的论文和项目页面。

左列:水印图像,使用水印的细微随机变形。右栏:水印删除结果。

这种微妙的随机扭曲只是一种可以引入以使水印更有效的随机化。该解决方案的一个很好的特点是它易于实现,并且已经提高了水印对图像采集攻击的鲁棒性,同时又几乎察觉不到。如果图像上的水印有更明显的变化是可以接受的 - 例如,在水印中引入更大的变化或在其中加入其他随机元素 - 它们可能会带来更好的保护。

虽然我们无法保证将来不会有办法打破这种随机水印方案,但我们相信(我们的实验表明)随机化将使水印收集攻击从根本上变得更加困难。我们希望这些发现对摄影和图片社区有所帮助。

致谢本文所述的研究由Tali Dekel,Michael Rubinstein,Ce Liu和Bill Freeman执行。我们感谢Aaron Maschinot讲述我们的视频。

文章来源:https://ai.googleblog.com/2017/08/making-visible-watermarks-more-effective.html?m=1

技术教程 技术讨论QQ群:619286189 站长之家
视频归相关网站及作者所有 本站不存储任何视频
© videotool.com.cn 2019. All rights reserved.