音频生成扩散模型的隐形数字水印
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
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
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
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
利用扩散模型为防止未授权模型分发而合成无限制对抗样本作为触发器集合,通过知识注入而非错误记忆来促进独特的水印行为,并通过优化受保护模型的知识传递属性,无需过于猛烈的决策边界扰动即可将水印行为传递给提取替代物,从而提高对于逃避对手和水印清除攻击的鲁棒性。
Apr, 2024
使用零样本语音合成的即时语音复制技术存在声音欺诈和冒充说话者的风险,为了对抗这些风险,本文提出了一种创新的音频水印技术,可以在短短 1 秒的音频片段中嵌入 32 位水印,这种水印在人类感官上不可察觉,并且对各种攻击表现出强大的韧性,可用于辨识合成的声音,并具有广泛的音频版权保护应用潜力。该技术具有高度的灵活性,可以通过组合多个水印片段来提高稳健性和扩展容量。与现有水印工具相比,通过利用 10 到 20 秒的宿主音频,本方法在十种常见攻击下具有平均误比特率(BER)为 0.48%,BER 减少了 2800%以上。请参考此链接查看我们工作的演示。
Aug, 2023
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
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
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