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

本文提出了一种新的基于护照的深度神经网络所有权验证方案，利用护照设计和训练深度神经网络模型，以使正版护照被伪造后会对其推理性能产生严重恶化，该方案既能抵御网络修改又能避免歧义攻击。

Sep, 2019

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

本文综述了深度知识产权保护的最新进展，包括挑战 / 威胁，水印技术，指纹技术，评估指标和性能等方面，并为未来的研究提出了有希望的方向。

Apr, 2023

本文提出了 IPGuard 方法，它通过数据指纹来保护深度神经网络分类器的知识产权，并且不会牺牲分类器的准确性，相比于现有的数字水印技术具有更好的保护效果。

Oct, 2019

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

通过生成可被人类感知的图像，本研究在保护模型准确推断的同时，回避其他类似或不同目标的非授权黑盒模型，以实现实际的隐私保护。

Feb, 2024

本研究提出了一种名为池化分组会员推断（PMI）的新技术，旨在保护深度神经网络（DNN）模型的知识产权。PMI 并不改变给定 DNN 模型的网络参数，也不通过一系列精心设计的触发样本进行微调，而是通过推断哪个小型数据集曾用于训练目标 DNN 模型来确定 DNN 模型的所有权。实验也展示了这项工作的优越性和适用性。

Sep, 2022

深度学习模型的知识产权保护引发了越来越多的关注。本文着重介绍了一种名为主动版权保护的新型知识产权保护方法，对 DNN 模型的主动授权控制和用户身份管理进行了研究和分析，并提出了潜在的攻击方式以及该领域面临的挑战和未来方向。此综述对于系统介绍主动 DNN 版权保护领域是有帮助的，并为后续工作提供了参考和基础。

Oct, 2023

本研究提出 DeepSigns 方法，一种全新的用于深度学习模型中数字水印插入的知识产权保护框架，旨在保护模型构建者的竞争优势，并且方法能在模型压缩、模型微调和数字水印覆盖等多种情况下承受各种攻击。

Apr, 2018