本论文提出了一种名为 WDM 的新型数字水印方法，该方法可用于训练或微调扩散模型，学习一个与任务数据标准扩散过程不同的水印扩散过程（WDP），并提供了理论基础和分析，以说明该方法的有效性和鲁棒性。
Jun, 2023
该论文介绍了一种针对生成扩散模型（GDMs）的数字水印方案 DiffusionShield，它将所有权信息编码为不可感知的水印并注入图像中，以保护图像免受 GDMs 产生的版权侵权，并展示了它相对于传统数字水印方法的显著效果。
May, 2023
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
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
提出了一种将个人水印嵌入敌对实例生成中的新框架，以生成具有可见水印的图像，防止敌对模型模仿未授权图像，并在各种条件图像生成场景进行广泛实验，证明了敌对实例具有良好的传递性，从而提供了一种保护基于扩散模型的版权的简单而有效的方法。
Apr, 2024
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。
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。
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
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。
本文研究了图像扩散模型，如 DALL-E 2，Imagen 和 Stable Diffusion，发现它们从训练数据中记忆单个图像并在生成时发射此类图像，总结了此类模型的隐私风险和影响隐私保护培训的新进展。
Jan, 2023