IDraw: Artist Verification from Digital Drawing Images

📄 arXiv: 2608.01737v1 📥 PDF

作者: Nayoung Kim, Nan Jiang, Bangjie Sun, Jaewon Shin, Sojeong Kim, Jun Han

分类: cs.CV

发布日期: 2026-08-03

💡 一句话要点

提出IDraw以解决数字绘画作者验证问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 数字绘画 作者验证 多模态学习 绘画行为推断 版权保护

📋 核心要点

  1. 现有的作者验证方法在仅依赖争议绘画和参考绘画时，面临艺术家绘画行为信息缺失和内容相似性干扰的挑战。
  2. IDraw框架通过学习不同艺术家的绘画及其传感器信号，推断绘画行为，且无需获取被验证艺术家的传感器数据。
  3. 在九种图像编码器上进行评估，IDraw在未见艺术家的验证中表现优异，验证错误率降低了40%。

📝 摘要（中文）

随着数字绘画在网上的广泛分享，可靠的作者验证变得愈发重要，以保护艺术家并解决争议。然而，当作者身份受到质疑时，验证可能仅依赖于争议绘画和已知的参考绘画。这一过程面临两大挑战：一是艺术家的绘画行为信息（如笔压和移动速度）无法从完成的绘画中获取；二是绘画内容的相似性可能掩盖艺术家之间的差异。为此，本文提出了IDraw框架，通过从不同艺术家的绘画和手写笔传感器信号中学习，推断绘画行为，且无需被验证艺术家的传感器数据。此外，IDraw通过识别不同艺术家绘制相同对象的绘画共享信息并进行抑制，从而减少绘画内容的影响。我们构建了首个多模态数据集，包含来自37位艺术家的1110幅绘画和14种手写笔传感器信号。实验结果表明，IDraw在九种图像编码器基础上对未见艺术家的验证效果优于传统图像验证，验证错误率降低了40%。

🔬 方法详解

问题定义：本文旨在解决数字绘画的作者验证问题，现有方法在仅依赖争议绘画和已知参考绘画时，无法获取艺术家的绘画行为信息，且绘画内容的相似性可能掩盖艺术家之间的差异。

核心思路：IDraw框架的核心思路是通过学习不同艺术家的绘画和手写笔传感器信号，推断绘画行为，从而在没有被验证艺术家的传感器数据的情况下进行有效的作者验证。

技术框架：IDraw的整体架构包括数据收集、特征提取和验证三个主要模块。首先，收集不同艺术家的绘画及其对应的传感器信号；其次，提取绘画的特征并结合传感器信号；最后，通过比较绘画特征进行作者验证。

关键创新：IDraw的关键创新在于能够从完成的绘画中推断绘画行为，并通过抑制不同艺术家绘制相同对象的共享信息，减少绘画内容对验证结果的影响。这一方法显著提高了验证的准确性。

关键设计：在技术细节上，IDraw采用了多模态学习策略，结合了图像特征和传感器信号特征，使用了特定的损失函数来优化验证性能，同时设计了适应不同艺术家绘画风格的网络结构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，IDraw在九种图像编码器基础上对未见艺术家的验证效果显著优于传统图像验证方法，验证错误率降低了高达40%。这一结果表明，推断绘画行为和抑制绘画内容的策略有效提升了数字绘画作者验证的准确性。

🎯 应用场景

该研究的潜在应用领域包括数字艺术作品的版权保护、艺术家身份验证以及在线艺术市场的交易安全。通过提高作者验证的准确性，IDraw能够有效保护艺术家的权益，减少版权争议，促进数字艺术的健康发展。未来，该技术还可以扩展到其他创作领域，如音乐和文学作品的作者验证。

📄 摘要（原文）

As digital drawings are increasingly shared online, reliable authorship verification has become important for protecting artists and resolving disputes. Yet when authorship is questioned, verification may have to rely only on the disputed drawing and reference drawings known to be created by the claimed artist. This setting is challenging for two reasons. First, artist-specific drawing behavior, such as pen pressure and movement speed, is informative but is not available from a completed drawing. Second, similarities in the depicted object or scene can obscure similarities arising from the artist. We propose IDraw, a framework that learns from drawings paired with tablet-pen sensor signals collected from separate training artists. This allows IDraw to infer drawing behavior from completed images during a later authorship dispute, without requiring sensor data from the artist being verified. IDraw also reduces the influence of drawing content by identifying information shared by drawings of the same object across different artists and suppressing it before comparing drawings. To support this approach, we construct the first multimodal dataset for digital drawing authorship verification, containing 1,110 drawings from 37 artists and 14 types of tablet-pen sensor signals. Evaluated on previously unseen artists across nine image-encoder backbones, IDraw consistently outperforms standard image-based verification and reduces verification error by up to 40%. These results demonstrate that inferring drawing behavior from completed images and suppressing drawing content improve digital drawing authorship verification.