Data hiding is one widely used approach for proving ownership through blind watermarking. Deep learning has been widely used in data hiding and inserting an attack simulation layer (ASL) after the watermarked image has been widely recognized as the most effective approach for improving the pipeline robustness against distortions. Despite its wide usage due to simplicity, the gain of enhanced robustness is usually interpreted through the lens of augmentation while our work explores this gain from a new perspective by disentangling the forward and backward pass of such ASL. We find that the main influential component is the forward pass instead of the backward pass. This observation motivates us to use forward ASL to make the pipeline compatible with non-differentiable and/or black-box distortion, such as lossy (JPEG) compression and photoshop effects. Extensive experiments demonstrate the efficacy of our approach despite being simple.
데이터 은닉은 블라인드 워터마킹을 통해 소유권을 입증하는 데 널리 사용되는 접근 방식 중 하나이다. 딥러닝은 워터마크 이미지가 왜곡에 대한 파이프라인 강인함을 개선하는 가장 효과적인 접근법으로 널리 인식된 후 공격 시뮬레이션 레이어(ASL)를 삽입하고 데이터 은닉을 하는데 널리 사용되어 왔다. ASL의 단순함 때문에, 강화된 강인함의 이득은 대개 데이터 증강으로 해석되는 반면, 우리의 연구는 그러한 ASL의 전진 및 후진 경로를 분리함으로써 새로운 관점에서 이 이득을 분석한다. 우리는 주요 영향력 있는 구성요소가 후진 경로가 아닌 전진 경로라는 것을 발견했다. 이러한 관찰은 파이프라인이 손실(JPEG) 압축 및 포토샵 효과와 같은 미분불가능한, 또는 블랙박스 왜곡과 호환되도록 하기 위해 전진 ASL을 사용하는 동기가 된다. 광범위한 실험을 통해 우리의 접근법이 단순하지만 효과적인 것을 입증하였다.
