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