本研究提出了一种基于盲水印的知识产权保护（IPP）框架，通过将特定标签赋予普通样本并将其与独占标志组合生成水印来保护深度神经网络模型的知识产权，并成功验证了其安全性、可行性和鲁棒性，与创建者身份建立了明确的联系，有效应对了逃避攻击和恶意主张的问题。

Mar, 2019

本研究关注深度神经网络的水印方案的稳健性和可靠性，发现恶意对手即使在水印难以删除的情况下，仍然可以逃避合法所有者的验证，从而避免了模型被盗的可能性。

Sep, 2018

本文基于深度学习和神经网络的高效和有效性，提出了一种基于后门水印的数据集保护模式，其中数据集水印包括数据集水印和数据集验证，实验证明了该方法的有效性。

Aug, 2022

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

确保深度模型的合法使用对于推动可信、可问责和负责任的人工智能创新至关重要。我们提出了隐写护照方法，通过在护照中隐藏用户的身份图像，并从各自的用户端护照中恢复，将使用许可与所有权验证分离开来。该方法支持深度模型的灵活许可，提供强有力的所有权证明和许可责任，而无需为每个新用户的准入重新训练模型。实验结果表明，我们的隐写护照在对抗各种已知攻击方面优于其他基于护照的深度模型保护方法。

Apr, 2024

本研究介绍了一种旨在提高深度神经网络（DNN）中数字水印鲸吞强度的方法，该方法称为空嵌入（null embedding），通过对模型进行初始训练，我们建立了模型分类精确度与水印之间的强关系，使攻击者无法通过调整或增量训练来移除嵌入式数字水印，并且可以避免第三方嵌入 “盗版数字水印” 以索取模型所有权的情况。

Oct, 2019

本文提出了一种新的具有护照感知能力的规范化公式，可用于深度学习网络的知识产权（IP）保护，通过对公私分离双重机制的应用，在不影响原始目标网络结构的情况下，实现对深度学习模型的知识产权保护，与传统防御方法相比具有更好的安全可靠性。

Oct, 2020

本研究提出了一种新的数字水印技术，并设计了一个通用框架，将数字水印嵌入深度神经网络中的参数中，用于保护知识产权或检测知识产权侵权，同时不影响深度神经网络的性能。

Jan, 2017

本文提出一种基于 “潜在水印” 概念的神经网络所有权验证方法，该方法通过训练使得水印在未激活前处于休眠状态，在保护模型知识产权的同时，有效抵御了后门检测、后门移除以及替身模型攻击等常见攻击。

Jun, 2023

本研究提出了两种不同的嵌入方案，以保护图像字幕模型的知识产权，并证明所提出的方法不会影响原始图像字幕的性能

Aug, 2020