Les banques d'images ajoutent généralement leur nom et leur logo dans chaque image gratuite sous forme d'un filigrane numérique (ou tatouage numérique, plus connu sous le terme anglais watermarking). Bien entendu il est supprimé des images achetées.
Des chercheurs de Google ont publié un article qui explique comment un algo peut facilement repérer et supprimer ces filigranes. Certes, un expert de Photoshop sait sans doute le faire mais ça lui prend quelques minutes par photo alors que c'est instantané pour la version automatisée.
En gros, le principe est qu'une banque d'images ajoute toujours le même filigrane sur toutes ses photos. S'il y en a plein (ce qui est le cas pour les plus connues), ça fait plein de données pour que l'algo "apprenne" (on parle ici de machine learning). Au final, quand le programme digère plein de photos, il ne retient que ce qu'elles ont en commun : le filigrane. C'est lui qui devient le signal, le reste étant le "bruit".
Une fois le filigrane d'une banque d'images identifié, un algo de traitement d'images le retire de chaque photo...
La solution pour se protéger contre ça ? En gros, il faut insérer des filigranes dynamiques, c'est-à-dire pas toujours les mêmes, pas toujours au même endroit et de la même taille. En introduisant un peu de distorsion aléatoire dans le filigrane...
Ci-dessous, vous voyez des exemples pour 4 banques d'images avec en 1ère colonne le filigrane identifié, en deuxième l'image contenant le filigrane, et enfin l'image "nettoyée"
Explications en vidéo :
Détails dans le blog de Google Research
Des chercheurs de Google ont publié un article qui explique comment un algo peut facilement repérer et supprimer ces filigranes. Certes, un expert de Photoshop sait sans doute le faire mais ça lui prend quelques minutes par photo alors que c'est instantané pour la version automatisée.
En gros, le principe est qu'une banque d'images ajoute toujours le même filigrane sur toutes ses photos. S'il y en a plein (ce qui est le cas pour les plus connues), ça fait plein de données pour que l'algo "apprenne" (on parle ici de machine learning). Au final, quand le programme digère plein de photos, il ne retient que ce qu'elles ont en commun : le filigrane. C'est lui qui devient le signal, le reste étant le "bruit".
Une fois le filigrane d'une banque d'images identifié, un algo de traitement d'images le retire de chaque photo...
La solution pour se protéger contre ça ? En gros, il faut insérer des filigranes dynamiques, c'est-à-dire pas toujours les mêmes, pas toujours au même endroit et de la même taille. En introduisant un peu de distorsion aléatoire dans le filigrane...
Ci-dessous, vous voyez des exemples pour 4 banques d'images avec en 1ère colonne le filigrane identifié, en deuxième l'image contenant le filigrane, et enfin l'image "nettoyée"
Explications en vidéo :
Détails dans le blog de Google Research
