自监督潜空间中的图像水印
本文提出了一种在潜在空间中注入和检测水印的解决方案 —— 潜在水印（LW），并采用渐进训练策略。通过实验证明，在注入 64 位消息时，LW 在 9 个单次攻击场景和一个全攻击场景下，可以实现接近 100% 的识别性能和 97% 以上的归属性能。
Mar, 2024
该论文介绍了一种基于深度学习的新型文本图像水印嵌入和提取方法，通过使用 Transformer 架构进行文本处理和 Vision Transformers 进行图像特征提取，该方法在领域内树立了新的基准。该方法是深度学习在文本图像水印处理中的首次应用，实现了自适应性改进，使模型能够智能地适应特定图像特征和新兴威胁。通过测试和评估，该方法显示出比传统水印技术更强大的鲁棒性，实现了增强不可察觉性，确保水印在各种图像内容中保持不可检测。
Apr, 2024
本文提出了一种将图像水印和潜在扩散模型相结合的主动策略，以实现所有生成的图像具有隐匿的水印，从而便于将来的检测和 / 或识别，评估了水印在各种生成任务中的隐身性和鲁棒性，显示稳定签名即使在被修改之后仍可使用，能够在误识率低于 10 的负 6 次方以下时，准确率达到 90% 以上，能够检测文本提示生成的图像来源并对图像进行裁剪处理的情况。
Mar, 2023
本文提出了一种名为 SSL-WM 的黑盒数码水印技术，可在不知道下游任务的情况下，保护自我监督学习模型，实现对恶意盗用者的追踪以及知识产权的保护。
Sep, 2022
本文提出了 SSLGuard—— 首个用于对预训练编码器进行水印的方案，并使用影子训练技术来保护水印免受模型盗窃等攻击。实验证明，SSLGuard 能有效地进行水印注入和验证，并对模型盗窃及其他攻击具有鲁棒性。
Jan, 2022
插入和提取水印以保护封面图像的秘密行为被称为图像水印。最近几年，基于深度学习的图像水印技术层出不穷。为了研究最新技术，本综述将前沿的基于深度学习的图像水印技术分为 Embedder-Extractor Joint Training、Deep Networks as a Feature Transformation 和混合方案。同时分析和总结了每个类别的研究方向。此外，还讨论了未来的潜在研究方向以展望未来的研究。
Aug, 2023
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
我们提出了 TrustMark，一种基于 GAN 的水印嵌入方法，通过新颖的架构和空谱损失设计来平衡水印图像质量和水印恢复准确性之间的权衡。我们的模型在训练时考虑了鲁棒性，可以抵御编码图像上的各种内部和外部扰动。此外，我们还介绍了 TrustMark-RM，一种用于重新嵌入水印的水印去除方法。我们的方法在包含任意分辨率图像的三个基准测试中实现了最先进的性能。
Nov, 2023
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