Mar, 2023

稳定签名：将水印扎根于潜在扩散模型中

PDF
TL;DR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。
发现论文，激发创造
  • 稳定的签名是不稳定的：从扩散模型中消除图像水印

    稳定签名是一种新的数字水印方法，根据扩散模型解码器的参数将水印嵌入生成的图像中，但我们提出了一种攻击方法可通过微调扩散模型有效去除水印，同时保持生成图像的视觉质量，结果表明稳定签名不如先前认为的那样稳定。

    May, 2024

  • 无人工水印如何追溯潜在生成模型生成的图像？

    通过梯度反向传播和编码器初始化，本研究提出了一种名为 LatentTracer 的潜在反转方法，能够有效地追踪由特定潜在生成模型生成的图像，并且实验证明其具有高准确性和效率。

    May, 2024

  • 潜水印：在潜在扩散空间中注入和检测水印

    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

  • 稳定扩散的鲁棒图像水印技术

    ZoDiac 使用预训练的稳定扩散模型将水印注入可训练的潜空间，从而产生出在向量空间中可靠检测到的水印，对抗各种水印攻击具有 98% 以上的检测率和不超过 6.4% 的误判率，并超越先进的水印处理方法，展示了稳定扩散作为一种强大的鲁棒水印处理方法的潜力。

    Jan, 2024

  • 嘿，那是我的：不可察觉水印保存在扩散生成的输出中

    通过使用生成扩散模型对数据进行水印处理，我们展示了一种保护共享内容知识产权的方法，使得生成的图像带有水印并与训练数据特征相关联，以及通过统计测试确定模型是否使用了带有水印的数据。

    Aug, 2023

  • DiffuseTrace：一种透明且灵活的潜在扩散模型水印方案

    通过使用 DiffuseTrace 技术，我们可以在所有生成的图像中嵌入无形的水印，以便进行未来的语义检测，而不会损害图像质量。

    May, 2024

  • 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

  • 树轮水印：扩散图像的隐形和稳健指纹

    本论文介绍了一种新的隐身数字水印技术，被命名为 Tree-Ring Watermarking，可以在扩散模型输出中进行鲁棒性指纹识别，通过嵌入一种结构化噪声模式并在生成图像后检测水印信号，其嵌入的水印信号对于几何变换不变，可以轻松适用于任意扩散模型，可有效抵御水印方法的反扑。

    May, 2023

  • 高斯着色：扩散模型的可证明性无性能损失图像水印

    提出了一种性能无损且无需额外训练的模型扩散水印技术，可以用于版权保护和追踪违规内容，该水印嵌入不影响模型参数，并且对于损失处理和擦除尝试具有鲁棒性。

    Apr, 2024

  • 音频生成扩散模型的隐形数字水印

    本文提出了首个应用于基于 mel 频谱图的音频扩散模型的水印技术，以解决音频机器学习领域中模型完整性和数据版权的问题。通过无形水印触发机制，该模型在良性音频生成中具有卓越性能，并能保护模型免受未经授权的修改。

    Sep, 2023