T2IW:联合文本到图像与水印生成
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
本文提出了一种新的数字水印系统 GenWatermark, 该系统结合了数字水印生产者和检测器,通过 fine-tuning 与合成的图像一起学习水印,以保护被合成图像的主体权益。实验证明,GenWatermark 对未知模型和文本提示以及部分数据水印化的有效性较高,并且对抵抗合成质量的潜在对策具有鲁棒性。
Jun, 2023
通过在机器生成的文本中引入水印并利用此信息进行检测,以缓解语言模型潜在风险的方法,以及提出的基于语义感知的水印算法,在保持检测能力的同时,在各种文本生成模型中取得了显著的改进,包括 BART 和 Flan-T5,在摘要生成和数据到文本生成等任务中。
Jul, 2023
最近,扩散模型(DMs)已成为图像合成的最先进方法,而基于 DMs 的编辑模型,以其高保真度和精度而闻名,无意中引入了与图像版权侵权和恶意编辑相关的新挑战。我们的工作是首次对这个问题进行规范化和解决。经过评估和试图增强传统图像水印技术后,我们意识到它们在这个新兴环境中的局限性。为此,我们开发了一种新颖的技术,RIW(稳健隐形水印),利用对抗示例技术嵌入隐形水印。与传统方法提供的 0% 相比,我们的技术确保了在编辑后的隐形水印的 96% 的高提取准确性。我们提供了我们的代码访问链接。
Nov, 2023
通过使用两阶段统一的高绑定效果水印验证机制,我们提出了一种对无条件图像生成模型进行版权保护和数据验证的方法,可以在使用模型输出图像的情况下几乎实现零误报率的验证工作,而且可以跨不同类型的模型实现数据窃取验证。
Oct, 2023
通过文本水印技术,在生成的文本中嵌入不可见但可检测的模式,有助于追踪和验证文本来源,从而防止滥用和盗版。该综述对当前的文本水印技术进行了全面总结,包括不同技术的概述和比较、算法的评估方法以及可能的应用领域,以帮助研究人员全面了解文本水印技术、促进进一步的发展。
Dec, 2023
该论文介绍了一种基于生成式对抗网络的图像生成方法,引入了一种简单有效的语义 - 空间感知块,学习语义自适应变换,并在弱监督方式下学习语义掩膜,从而在保持视觉保真度的同时,能够对输入文本精准对齐。
Apr, 2021
我们提出了第一种私有水印算法,通过使用两个不同的神经网络进行水印生成和检测,扩展了当前的文本水印算法,而不是在两个阶段都使用相同的密钥,实现了高效准确地检测网络,并且对生成和检测速度影响小。
Jul, 2023
本文提出了一种基于 CNN 解码块插入生成器输出的数字水印算法,对生成对抗网络模型进行加密和保护。实验结果表明,该算法可将无形水印嵌入生成的图像,并在后期进行身份验证时检测到水印的存在,并且在 JPEG 压缩、添加噪声、模糊和颜色转换等后处理下,水印具有良好的抗干扰能力。
Sep, 2022