본 논문은 가시적 워터마크 제거(워터마크 제거 및 배경 콘텐츠 복원 포함)에 대한 딥러닝 기반 접근 방식을 제시합니다. 기존 딥 뉴럴 네트워크(DNN) 기반 모델들이 대면적 워터마크 제거에 어려움을 겪고 워터마크 마스크 예측의 질에 과도하게 의존하는 문제를 해결하기 위해, 사전 훈련된 이미지 인페인팅 모델의 표현 모델링 능력을 활용하는 새로운 특징 적응 프레임워크를 제안합니다. 워터마크 아래 잔류 배경 콘텐츠의 정보를 인페인팅 백본 모델에 융합하여 이미지 인페인팅과 워터마크 제거 간의 지식 격차를 해소합니다. 잔류 배경 콘텐츠의 특징을 포착하고 삽입하는 이중 분기 시스템을 구축하고, 게이트 특징 융합 모듈을 통해 인페인팅 백본 모델의 중간 특징에 병합합니다. 또한 고품질 워터마크 마스크에 대한 의존성을 줄이기 위해, 조잡한 워터마크 마스크를 활용하여 추론 과정을 안내하는 새로운 훈련 패러다임을 제시합니다. 대규모 합성 데이터셋과 실제 데이터셋에 대한 광범위한 실험을 통해 기존 최첨단 방법보다 성능이 크게 향상됨을 보여줍니다. 소스 코드는 보조 자료에 포함되어 있습니다.
