Remove-AI-Watermarks - CLI und Bibliothek zum Entfernen von AI-Wasserzeichen aus Bildern

• Remove-AI-Watermarks ist eine CLI und Python-Bibliothek, die sichtbare Wasserzeichen, unsichtbare Wasserzeichen und AI-Erzeugungsmetadaten aus Bildern von Google Gemini (Nano Banana), ChatGPT/DALL-E, Stable Diffusion, Adobe Firefly, Midjourney und weiteren in einem Durchgang verarbeitet
• Das Entfernen sichtbarer Wasserzeichen zielt auf das Sparkle-Logo von Gemini/Nano Banana ab und wird mithilfe von Reverse-Alpha-Blending mit bekannten Alpha-Maps sowie Inpainting mit Gradientenmasken durchgeführt; es dauert etwa 0,05 Sekunden pro Bild und benötigt keine GPU
• Das Entfernen unsichtbarer Wasserzeichen schwächt Pixel- und Frequenzbereichsmuster wie SynthID, StableSignature und TreeRing durch diffusionsbasierte Regenerierung; das Standardprofil verwendet SDXL und eine native Pipeline mit etwa 1024 px
• Die Metadatenbereinigung zielt auf EXIF, PNG-Text-Chunks, XMP DigitalSourceType und C2PA Content Credentials ab; dabei werden AI-bezogene Felder entfernt, die auf Instagram, Facebook und X (Twitter) das Label „Made with AI“ auslösen, während Standardmetadaten wie Author, Copyright und Title erhalten bleiben
• Der unterstützte Umfang umfasst das Sparkle-Logo, SynthID und C2PA/EXIF von Google Gemini/Nano Banana/Gemini 3 Pro, C2PA von OpenAI DALL-E 3/ChatGPT, PNG-Text-Chunks und steganografische Wasserzeichen von Stable Diffusion, Content Credentials von Adobe Firefly sowie EXIF/XMP von Midjourney
• Smart Face Protection erkennt vor der Diffusionsverarbeitung Personen per YOLO, extrahiert Gesichter und blendet nach der Verarbeitung die Originalgesichter mit einer weichen elliptischen Maske wieder ein, um Verzerrungen der Gesichtszüge zu verringern
• Analog Humanizer fügt optional Filmkorn und chromatische Aberration hinzu, damit die Ausgabe wie ein vom Bildschirm abfotografiertes Bild wirkt; beschrieben wird dies als Funktion zum Umgehen von AI-Bildklassifikatoren
• Für die Installation werden pipx install git+https://github.com/wiltodelta/remove-ai-watermarks.git oder uv tool install git+https://github.com/wiltodelta/remove-ai-watermarks.git empfohlen; die Standardinstallation umfasst das Entfernen sichtbarer Wasserzeichen und das Entfernen von Metadaten
• Voraussetzung ist Python 3.10+; das Entfernen sichtbarer Wasserzeichen und die Metadatenverarbeitung funktionieren nur mit CPU, für das Entfernen unsichtbarer Wasserzeichen wird eine CUDA- oder MPS-GPU empfohlen, es läuft aber auch langsam auf der CPU
• Beim ersten Ausführen des Entfernens unsichtbarer Wasserzeichen werden automatisch etwa 2 GB an Modellen heruntergeladen; das Gerät wird automatisch in der Reihenfolge CUDA (Linux/Windows) > MPS (macOS) > CPU erkannt und kann mit --device angegeben werden
• Die CLI wird etwa mit remove-ai-watermarks all image.png -o clean.png verwendet, für Batch-Verarbeitung von Verzeichnissen etwa mit remove-ai-watermarks batch ./images/ --mode all; außerdem gibt es die Unterbefehle visible, invisible und metadata
• Die Python-API kann mit GeminiEngine Wasserzeichen erkennen und entfernen; mit has_ai_metadata und remove_ai_metadata lassen sich AI-Metadaten eines Bildes prüfen und entfernen
• Die Roadmap umfasst automatische Regressionstests für SynthID-Image v2, Einschränkungen beim Entfernen interner EXIF/XMP-Daten aus AVIF/HEIF/JPEG-XL sowie eine als separates Paket geplante Video-Pipeline; das Entfernen von Nightshade/Glaze/PhotoGuard wird nicht unterstützt, da dies als Angriff auf den Schutz von Künstlern betrachtet wird
• Im rechtlichen Abschnitt wird darauf hingewiesen, dass die Kennzeichnung der AI-Herkunft in vielen Rechtsräumen reguliert ist und das Entfernen mit der Absicht, Herkunftsinformationen zu verschleiern, gegen Gesetze, den DMCA oder Plattformbedingungen verstoßen kann; die Verantwortung für die Einhaltung liegt beim Nutzer
• Das Bedrohungsmodell fokussiert sich darauf, bereits verbreitete AI-Bilder gegenüber automatischen Erkennungssystemen und „Made with AI“-Labels anzupassen, warnt aber davor, dass bei Originaldateien, die über Erstellerkonten oder Google-Systeme gelaufen sind, serverseitige Aufzeichnungen dadurch nicht anonymisiert werden

[GN⁺]

Hacker-News-Kommentare

• Ich fand, dass ein Kommentar in einem anderen Thread über SynthID und OpenAI unterschätzt wurde; meiner Meinung nach trifft er gut, worum es beim Hacker-Geist in dieser Sache gehen sollte
  Wir legen Wert auf Privatsphäre, also sollten wir keine Werkzeuge akzeptieren, die jede digitale Handlung mit einem Barcode versehen. Das Gegenargument „Das machen sie noch nicht“ ist ebenfalls wenig überzeugend

  • Werkzeuge zu bauen, die versuchen, Wasserzeichen zu entfernen, wird wahrscheinlich scheitern wegen eines Wettrüstens, das große Unternehmen am Ende gewinnen werden, und bedeutet implizit, den Barcode zu akzeptieren
    Der Hacker-Geist sollte vor allem darin liegen, Open-Source-Modelle lokal auszuführen, statt von Unternehmen abhängig zu sein
  • Auch die blinde Zerstörung des Begriffs von Wahrheit sollte nicht zum Hacker-Geist gehören
  • Für KI-generierte Bilder in Software, die in der EU verwendet wird, scheint Wasserkennzeichnung als Teil der KI-Transparenzregulierung bereits vorgeschrieben zu sein oder bald vorgeschrieben zu werden
  • So etwas passiert, wenn Menschen mit Macht paranoide und düstere Charakterzüge haben
    Sie wollen Mittel, um Menschen aufzuspüren und zu bestrafen, die ihre Macht bedrohen
  • Nicht „jede digitale Handlung“, sondern Fotos, deren Erstellung man bei ihnen angefordert hat
    Wenn Privatsphäre wichtig ist, sollte man lokale Modelle verwenden

• Ich finde es eher gut, wenn etwas eine klare Kennzeichnung als KI hat, weil ich dann auch alles andere aus dieser Quelle ignorieren kann

  • Das Problem ist, dass diese Kennzeichnung von vornherein nicht klar war
    Dieses Tool ist ein guter Weg, den Leuten genau das zu zeigen
  • Wenn jemand etwas tut, das einem nicht gefällt, kann man schwer erwarten, dass diese Person es auf die von mir bevorzugte Weise tut
  • Ich frage mich, ob die hier entfernte Kennzeichnung dieselbe oder eine ähnliche ist wie die, die angehängt wird, wenn man ein Foto in einem Bildeditor mit KI-Tools leicht bearbeitet
    Zum Beispiel bei aufwendigerer Objektentfernung in einem Bildeditor

• Es ist witzig, dass dieser Beitrag direkt eine Zeile über dem Beitrag „OpenAI Adopts SynthID Watermarks“ steht

• Bilder, die aus mit gestohlenem urheberrechtlich geschütztem Material trainierten Daten erzeugt wurden, mit einem Wasserzeichen zu versehen, fühlt sich irgendwie falsch an, auch wenn ich den Grund verstehe, echte von unechten unterscheiden zu wollen

• Bei Gemini ist diese Erklärung etwas irreführend. Was sich wirklich sauber entfernen lässt, ist nur das sichtbare Wasserzeichen
  Um SynthID zu entfernen, müsste man das Bild mit SDXL bei niedrigem Rauschpegel neu generieren; dabei würden wahrscheinlich viele kleine Details beschädigt, und bei hoher Auflösung würde es wohl nicht richtig funktionieren. NB2 und GPT Image 2 unterstützen eine Bildausgabe bis 4K

  • Nano Banana 2 unterstützt nativ nur 1K-Auflösung (1024x1024)
    Alles darüber ist Upscaling und damit ähnlich wie bei SDXL. GPT Image 2 unterstützt nativ 4K, ist aber noch experimentell
  • Wenn SDXL selbst nach einigen Jahren noch immer das beste lokale Bildmodell ist, ist das ziemlich traurig

• Um das Gemini-Wasserzeichen zu entfernen, muss man nur die Entwicklertools öffnen und die HTTP-Anfrage an watermark blockieren
  Das Logo wird clientseitig als Overlay eingeblendet

• Die Beschreibung „Passender Anwendungsfall im Threat Model: Kunst oder historische Aufzeichnungen vor falsch-positiven ‚KI-generiert‘-Labels zu bewahren“ ist schwer nachzuvollziehen
  Ich verstehe nicht, was das mit dem Erzeugen von Bildern durch KI zu tun haben soll. Bildgeneratoren können keine Wasserzeichen in Dinge einfügen, die sie nicht selbst erstellt haben, und wenn das Wasserzeichen, wie im README beschrieben, so präzise ist, dass sich sogar eine bestimmte Sitzungs-ID zurückverfolgen lässt, dann scheint es auch sehr unwahrscheinlich, dass bei von Menschen geschaffener Kunst falsch-positive Wasserzeichen auftreten. Außerdem verändern Bildbearbeitungen zum Entfernen eines Wasserzeichens zwangsläufig genau das Objekt, das man angeblich „bewahren“ will
  Je mehr ich lese, desto mehr bin ich überzeugt, dass die Anwendungsfälle im README Unsinn sind und der eigentliche Zweck darin besteht, KI-generiert-Labels zu umgehen, damit man KI-Müllbilder in sozialen Medien posten kann

  • Ich stimme im Großen und Ganzen zu, dass die Rechtfertigung des Repositoriums falsch ist, aber bei „Bildgeneratoren können keine Wasserzeichen in Dinge einfügen, die sie nicht selbst erstellt haben“ sehe ich es anders
    Es ist tatsächlich sehr einfach, ein reales Bild zu nehmen und Gemini oder ChatGPT zu bitten, nur einen winzigen Teil zu ändern. Sogar kleine Änderungen wie Beleuchtung oder Schatten sind möglich, und das Ergebnis wird oft von solchen Wasserzeichen-Tools erkannt. Auf diese Weise lässt sich praktisch jedes reale Bild leicht als KI-generiertes Bild erscheinen lassen

• Unabhängig davon, ob man dieses konkrete Projekt mag oder nicht, glaube ich, dass der Weg nach vorn eher im Echtheitsnachweis nicht-ki-basierter Quellen liegt als in Versuchen, alles KI-Erzeugte mit Wasserzeichen zu versehen

  • Wenn man eine „zertifizierte“ Kamera auf einen wirklich guten Bildschirm richtet und dann alles fotografiert, was auf diesem Bildschirm angezeigt werden kann, hat man am Ende ein nachweislich echtes Foto — also ein ziemlich schwer zu lösendes Problem

• Wasserkennzeichnung funktioniert nur dann richtig, wenn die Methode geheim ist
  Chiffretext in Hochfrequenzrauschen einzubetten ist ein alter Ansatz. Im Bereich generativer Modelle wäre es viel interessanter, die Flexibilität der Generierung zu nutzen und in makroskopische Strukturen zu kodieren

• Warum nicht einfach Open-Source-Modelle verwenden?