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

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

本文介绍了一个名为 RAW 的稳健而灵活的即插即用水印检测框架，它将可学习的水印直接引入原始图像数据中，并使用与水印共同训练的分类器来检测水印的存在。此框架在各种生成架构上可兼容，并支持训练后即时进行水印注入，通过整合最先进的平滑技术，不仅在水印图像误分类的假阳性率方面提供可证明的保证，而且在存在针对水印去除的某些对抗性攻击时也表现出显著的性能增强。在由最先进的扩散模型生成的各种图像上的实验证明与现有方法相比，我们的方法在检测带有对抗性攻击的水印图像时，AUROC 从 0.48 增加到 0.82，同时保持图像质量，表现为接近的 FID 和 CLIP 得分。

Jan, 2024

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

该研究聚焦于探究以截图形式泄露的机密文件，提出了利用神经网络在屏幕上应用唯一标识性水印以确定泄露源头的方法，并综合测试结果表明该方法的高效性。

Apr, 2023

通过跨注意力和不变域学习，本文探索了一种强大的图像水印方法。首先，我们设计了一种利用多头交叉注意力机制的水印嵌入技术，实现了封面图像和水印之间的信息交流，以识别语义上合适的嵌入位置。其次，我们倡导学习一个包含语义和噪声不变信息的不变域表示，为提升图像水印技术指明了前景。

Oct, 2023

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

在 AI 生成内容（AIGC）模型可以生成惊人逼真的图像的时代，未授权复制和恶意篡改的阴影对版权完整性和信息安全构成了即将到来的威胁。本文提出了一种创新的主动取证框架 EditGuard，以统一版权保护和对于 AIGC 编辑方法的无痕迹篡改的定位，特别适用于局限在 AIGC 编辑方法上的图像篡改。EditGuard 可以提供不可察觉水印的精细嵌入、被篡改区域精确解码和著作权信息。通过利用我们观察到的图像隐写术的脆弱性和局部性，EditGuard 的实现可以转化为一种统一的图像位隐写问题，从而将训练过程与篡改类型完全解耦。大量实验证明，我们的 EditGuard 平衡了篡改定位的准确度、著作权恢复的精确性以及对各种 AIGC 编辑方法的普适性，特别是对于肉眼难以检测的图像伪造。

Dec, 2023

本文介绍了一种基于深度学习的音频嵌入图片数字水印方案，并设计了神经网络架构来自动学习水印过程，以及识别存在于失真情况下的音频水印，达到了高保真度和鲁棒性。

Oct, 2021

对基于水印的 AI 生成内容检测方法的鲁棒性进行了系统研究，并提出了一种对抗性后处理方法，该方法可以让 AI 生成的图像逃避检测，并且保持良好的视觉质量，从而凸显了当前水印检测方法的不足之处。

May, 2023