Avances en las técnicas de eliminación de marcas de agua visibles basadas en aprendizaje profundo
Resumen
En los últimos años los algoritmos de inteligencia artificial han demostrado tener grandes resultados en diferentes áreas de aplicación, tales como robótica, medicina, seguridad informática, finanzas, entre otras. En el contexto de procesamiento digital de imágenes, el uso del aprendizaje profundo está siendo aplicado para remover marcas de agua visibles en imágenes digitales, con la finalidad de eliminar la protección de derechos de autor de los propietarios de las imágenes en cuestión. El presente trabajo realiza una recopilación de los trabajos más recientes que remueven marcas de agua visibles a través de aprendizaje profundo, con la finalidad de analizar las tendencias actuales que permitan diseñar algoritmos de marcado de agua visible más robustos ante este tipo de herramientas de remoción.
Descargas
Citas
Álvarez, M. &. (2020). Restauración de imágenes digitales mediante una marca de agua basada en la transformada Wavelet Discreta.
Cheng, D. L. (2018). Large-scale visible watermark detection and removal with deep convolutional networks. In Chinese Conference on Pattern Recognition and Computer Vision (PRCV).
Guerrero Citelly, J. F. (2018). Traductor de lenguaje de señas portatil por medio de reconocimiento de imágenes.
Jiang, P. H. (2020). Two‐stage visible watermark removal.
Li, T. F. (2021). Visible Watermark Removal Based on Dual-input Network. . ACM International Conference on Intelligent Computing and its Emerging Applications, (pp. 46-52).
Liang, J. N. (2021). Visible Watermark Removal via Self-calibrated Localization and Background Refinement. In Proceedings of the 29th ACM International Conference on Multimedia , (pp. 4426-4434).
Liu, Y. Z. (2021). WDNet: Watermark-Decomposition Network for Visible Watermark Removal. . In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision , (pp. 3685-3693).
Lubin, J. B. (2003). Robust content-dependent high-fidelity watermark for tracking in digital cinema. In Security and Watermarking of Multimedia Contents .
Orúe, A. B. (2002). Marcas de agua en el mundo real.
Pei, S. C. (2006). A novel image recovery algorithm for visible watermarked images. . IEEE Transactions on information forensics and security, 1(4), 543-550.
Pérez-Aguilar, D. R.-R.-P. (2021). Transfer learning en la clasificación binaria de imágenes térmicas Transfer Learning for Binary Classification of Thermal Images. Machine learning (ML), 550, 4.
Regazzoni, F. P. (2021). Protecting artificial intelligence IPs: a survey of watermarking and fingerprinting for machine learning. . CAAI Transactions on Intelligence Technology, 6(2), 180-191.
Sara, U. A. (2019). Image quality assessment through FSIM, SSIM, MSE and PSNR—a comparative study. . Journal of Computer and Communications, 7(3), 8-18.
Tanha, M. T. (junio de 2012). Una descripción general de los ataques contra las marcas de agua digitales y sus respectivas contramedidas. En Actas Título: Conferencia Internacional sobre Seguridad Cibernética, G.
Vargas, L. M. (2015). Marcas de agua múltiples para autentificación y detección de adulteraciones en imágenes digitales médicas.
Vargas, L. M. (2016). Marcas de agua: una contribución a la seguridad de archivos digitales. . Revista de la Facultad de Ciencias Exactas, Físicas y Naturales, 3(1), 49-54.
Verdeguer Gómez, J. (2021). Redes neuronales para la clasificación y segmentación de imágenes médicas.
Wang, Z. B. (2004). Image quality assessment: from error visibility to structural similarity. . IEEE transactions on image processing, 13(4), 600-612.
Xu, C. L. (2017). An automatic visible watermark removal technique using image inpainting algorithms. Conference on Systems and Informatics (ICSAI) . IEEE.
Derechos de autor 2023 Karen Alejandra Valerio-Trigueros ;Luis Angel Olvera-Martinez ;Carlos Adolfo Diaz-Rodriguez ;Manuel Cedillo-Hernandez;Enrique Tonatihu Jimenez-Borgonio
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
