提出了一种新的数字水印方法,基于深度学习的 HiDDeN 架构,并添加了与几何攻击鲁棒性相关的新噪声层,证明该方法在几何鲁棒性方面胜过现有的技术,可用于保护消费者设备上查看的图像。
Feb, 2024
本文提出了一种改进的数字水印算法,通过在噪声层和解码器之间引入去噪模块来增强该模型对于更强噪声的鲁棒性,同时引入 SE 模块以提高编码器的效率。实验结果表明该方法在不同噪声强度下可以媲美现有模型并且胜过同类型算法,消融实验进一步验证了我们提出的模块的优越性。
May, 2024
扩展了一种零比特的无失真水印方法,将多位元的元信息作为水印的一部分嵌入,并开发了一个计算效率高且具有低比特误码率的解码器来提取水印中的嵌入信息。
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
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
本文提出利用对抗式机器学习中的稳健优化算法来提高基于卷积神经网络的数字水印框架的鲁棒性,在 COCO 数据集上的实验证明,稳健优化可以显著提高数字水印框架的鲁棒性。
Oct, 2019
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
本篇研究提出了将图像水印技术和对抗样本算法结合在一起生成一种新的对抗扰动 ——Adv-watermark,并且使用一种新的优化算法 Basin Hopping Evolution (BHE) 生成黑盒攻击模式下的对抗性水印,该方法比其他攻击方法更为高效和鲁棒。
Aug, 2020
使用水印技术可以标记生成内容并通过隐藏信息检测其真实性,我们通过定义目标函数并将自适应攻击作为优化问题来解决水印算法的鲁棒性评估问题,研究发现可在图像质量几乎不降低的情况下破解所有五种受测水印方法,强调了对适应性、可学习的攻击者进行更严格的鲁棒性测试的必要性。
Sep, 2023
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