Oct, 2018

ReDMark：基于残差扩散的深度网络水印框架

PDF
TL;DR本文提出了一种深度端到端扩散数字水印框架（ReDMark），可适用于任何所需的转换空间，通过两个具有残差结构的全卷积神经网络进行嵌入和提取，其整个深度网络可以进行盲水印保护，并能够扩散水印信息以提高安全性和鲁棒性。该框架在隐蔽度和鲁棒性之间具有可调整性，可以模拟各种攻击以便进行端到端的训练，其中对 JPEG 的攻击采用可微分的逼近，从而大大提高了水印的鲁棒性。与最新的研究结果相比，该框架在隐蔽度和鲁棒性方面表现优异。
发现论文，激发创造
  • ReMark: 基于感受野的深度网络空间水印嵌入优化

    本研究通过深度学习提出了一种新的水印嵌入架构，使得生成的不可感知水印在保持图像质量的同时更加坚韧，针对多种常见水印失真情况具有强鲁棒性。

    May, 2023

  • 深度卷积神经网络中的可逆水印技术用于完整性验证

    本文提出一种基于可逆水印算法的深度卷积神经网络完整性认证方法，利用模型压缩技术中的剪枝理论构建用于嵌入水印信息的主机序列，并通过直方图移位实现，模型参数可通过提取水印信息完全恢复，并可验证模型完整性是否被非法修改。

    Apr, 2021

  • 一种基于深度神经网络的自动、高效和健壮的图像水印方案

    本文提出了一种基于深度学习神经网络的鲁棒盲水印方案，该方案实现了自适应图像水印算法，无需人工干预和注释，并且不需要事先了解敌对攻击的有关信息，实验证明了该方案的优越性。

    Jul, 2020

  • 图像处理网络的模型水印技术

    基于空间隐形水印技术，提出了一种图像处理模型的水印框架，防止模型权益被侵犯。实验证明，该水印技术可抵抗不同网络结构和目标函数训练出的替代模型。

    Feb, 2020

  • 一种无需培训的即插即用稳定扩散水印框架

    现在，稳定扩散（SD）模型家族因其高质量的输出和可扩展性而变得重要。这也引发了对社交媒体安全性的担忧，因为恶意用户可以创建和传播有害内容。现有方法涉及在生成的图像中训练组件或整个 SD 来嵌入水印，以实现可追溯性和责任归属。然而，在人工智能生成内容（AIGC）的时代，快速迭代的 SD 使得重新训练带有水印模型变得昂贵。为了解决这个问题，我们提出了一种针对 SD 的无需训练的即插即用水印框架。在不修改 SD 的任何组件的情况下，我们在潜在空间中嵌入不同的水印，适应去噪过程。我们的实验结果表明，我们的方法有效地协调了图像质量和水印的隐形性。此外，它在各种攻击下表现出很强的稳健性。我们还验证了我们的方法在多个 SD 版本中的通用性，甚至无需重新训练水印模型。

    Apr, 2024

  • 深度神经网络的数字水印技术

    本文提出了一种深度神经网络数字水印技术，可用于深度神经网络的所有权授权。我们定义了嵌入深度神经网络数字水印的要求、嵌入情况和攻击类型，并提出了一种嵌入参数规则器的通用框架，最后通过实验证明我们的框架可以在深度神经网络的训练中嵌入数字水印，并在精调和参数修剪后保留所有权编码。

    Feb, 2018

  • JIGMARK：一种针对扩散模型编辑增强图像水印的黑盒方法

    通过对比学习，使用 JIGMARK 技术处理图像与扩散模型进行对比，加强水印的鲁棒性，同时提出了超越传统相似度度量的人类对齐变化（HAV）评分，有效量化图像编辑中的图像导数数量。

    Jun, 2024

  • ROSE: 一种强健和安全的 DNN 水印技术

    该研究提出了一种轻量级、强健、安全的黑盒 DNN 数字水印协议，在训练期间注入任务特定的键图像 - 标签对，并证明该模型的所有权，从而提供保护同时保持适当的安全性和强健性。

    Jun, 2022

  • 图像分类深度神经网络的数字水印技术的强度评估（扩展版）

    本文通过对 DNN 水印方案进行评估，发现目前的水印方案在实践中都不够稳健，需要通过更加全面的攻击评估来提高稳健性。

    Aug, 2021

  • DiffWA: 水印攻击的扩散模型

    本文提出了一种基于条件扩散模型的去水印攻击方法 DiffWA，该方法在未带水印的图像上训练了一个图像到图像的条件扩散模型，并在采样时使用距离引导指导模型生成类似于原始图像的未带水印的图像，实验结果表明，本方法能够有效地去除水印并提高水印提取的误比特率，且攻击后的图像与原始图像相比，保留了较好的视觉效果。

    Jun, 2023