- CycleGANWM: метод водяных знаков CycleGAN для подтверждения права собственности (arXiv)
Автор: Дундонг Лин, Бенедетта Тонди, Бин Ли, Мауро Барни.
Аннотация: В связи с распространением и широким использованием глубоких нейронных сетей (ГНС) защита их прав на интеллектуальную собственность (ПИС) становится все более важной. В этой статье представлен новый модельный метод водяных знаков для сетей неконтролируемого преобразования изображений в изображения (I2IT), названный CycleGAN, который использует визуальное качество перевода изображений и встраивание водяных знаков. В этом методе сначала обучается декодер водяных знаков. Затем декодер замораживается и используется для извлечения битов водяных знаков при обучении модели водяных знаков CycleGAN. Водяные знаки CycleGAN (CycleGANWM) обучены специальным функциям потерь и оптимизированы для обеспечения хорошей производительности как при выполнении задачи I2IT, так и при внедрении водяных знаков. Для проверки водяного знака в этой работе используется тест статистической значимости, чтобы определить принадлежность модели на основе извлечения битов водяного знака. Мы оцениваем устойчивость модели к постобработке изображений и улучшаем ее путем точной настройки модели с добавлением увеличения данных на выходных изображениях перед извлечением битов водяных знаков. Мы также проводим атаку на суррогатную модель при доступе к модели через черный ящик. Экспериментальные результаты доказывают, что предложенный метод эффективен и устойчив к некоторой постобработке изображений, а также способен противостоять атаке суррогатной модели.
2. Непараллельное высококачественное аудио сверхвысокого разрешения с адаптацией домена и циклом повторной выборки GAN (arXiv)
Автор: Рео Ёнеяма, Рюичи Ямамото, Кэнтаро Татибана.
Аннотация: Нейронные модели аудио сверхвысокого разрешения обычно обучаются на парах аудиосигналов низкого и высокого разрешения. Хотя эти методы обеспечивают высокоточное сверхразрешение, если акустические характеристики входных данных аналогичны характеристикам обучающих данных, проблемы остаются: модели страдают от ухудшения качества для данных вне предметной области, а для обучения требуются парные данные. . Чтобы решить эти проблемы, мы предлагаем Dual-CycleGAN, метод высококачественного звука со сверхвысоким разрешением, который может использовать непарные данные на основе двух связанных циклически согласованных генеративно-состязательных сетей (CycleGAN). Наш метод разлагает метод сверхвысокого разрешения на процессы адаптации домена и передискретизации для обработки акустического несоответствия в непарных сигналах низкого и высокого разрешения. Затем два процесса совместно оптимизируются в рамках CycleGAN. Экспериментальные результаты подтверждают, что предлагаемый метод значительно превосходит традиционные методы, когда парные данные недоступны. Код и образцы аудио доступны на https://chomeyama.github.io/DualCycleGAN-Demo/
