面向抗变换的数字媒体来源检测
机器学习
2020-11-17 v1 密码学与安全
摘要
深度生成模型的进展使得合成图像、视频和音频信号成为可能，这些信号难以与自然信号区分，为滥用这些能力创造了机会。这引发了信号来源追踪问题，即能够确定信号的原始来源。在信号创建时对其进行水印嵌入是一种潜在解决方案，但当前技术脆弱，水印检测机制可通过对信号施加后处理变换（裁剪图像、平移音频音高等）轻易绕过。本文中，我们提出ReSWAT（通过对抗训练实现的抗变换信号水印，Resilient Signal Watermarking via Adversarial Training），一种用于学习抗变换水印检测器的框架，即便信号经历多次后处理变换仍能检测水印。我们的检测方法可应用于具有连续数据表示的领域，如图像、视频或声音信号。对图像和音频信号水印的实验表明，即便信号经历多次后处理变换，我们的方法仍能可靠检测信号来源，并在此设定下改进了相关工作。此外，我们展示对于特定类型的变换（L2范数有界的扰动），我们甚至能对模型检测水印的能力提供形式化保证。我们在 https://drive.google.com/open?id=1-yZ0WIGNu2Iez7UpXBjtjVgZu3jJjFga 提供了水印图像和音频样本的定性示例。
引用
@article{arxiv.2011.07355,
title = {Towards transformation-resilient provenance detection of digital media},
author = {Jamie Hayes and Krishnamurthy and Dvijotham and Yutian Chen and Sander Dieleman and Pushmeet Kohli and Norman Casagrande},
journal= {arXiv preprint arXiv:2011.07355},
year = {2020}
}