Sep, 2023

利用优化实现对图像水印的自适应攻击

PDF
TL;DR使用水印技术可以标记生成内容并通过隐藏信息检测其真实性，我们通过定义目标函数并将自适应攻击作为优化问题来解决水印算法的鲁棒性评估问题，研究发现可在图像质量几乎不降低的情况下破解所有五种受测水印方法，强调了对适应性、可学习的攻击者进行更严格的鲁棒性测试的必要性。
untrustworthy usersimage generatorsdeepfakeswatermarkingrobustness
发现论文，激发创造
  • ROMark: 使用对抗训练的强韧数字水印系统

    本文提出利用对抗式机器学习中的稳健优化算法来提高基于卷积神经网络的数字水印框架的鲁棒性，在 COCO 数据集上的实验证明，稳健优化可以显著提高数字水印框架的鲁棒性。

    Oct, 2019

  • Adv-watermark: 一种新颖的水印扰动方法用于对抗性样本

    本篇研究提出了将图像水印技术和对抗样本算法结合在一起生成一种新的对抗扰动 ——Adv-watermark，并且使用一种新的优化算法 Basin Hopping Evolution (BHE) 生成黑盒攻击模式下的对抗性水印，该方法比其他攻击方法更为高效和鲁棒。

    Aug, 2020

  • AI 图像检测器的稳健性：基本限制与实际攻击

    通过分析 AI 图像检测方法，研究了水印技术以及基于分类器的深度伪造检测器的强大性，发现在扰动预算较低的情况下，扩散纯化攻击能够有效地去除水印，而对于图像有明显更改的高扰动水印方法，我们开发了一种模型替换对抗攻击来成功去除水印。同时发现水印技术容易受到欺骗攻击，对开发者的声誉造成损害，并通过实验表明分类器的鲁棒性和可靠性之间存在基本的权衡关系。

    Sep, 2023

  • 利用其优势攻击 LLM 水印

    通过对现有 LLM 水印系统的攻击研究，提出了一套实用准则，用于生成和检测 LLM 水印，旨在解决水印系统在保留质量、鲁棒性和公共检测 API 等方面所面临的各种攻击问题。

    Feb, 2024

  • 数字水印的隐写分析：你的防御是否真的无懈可击？

    数字水印技术在版权保护和图像源识别方面非常重要，特别是在生成式人工智能模型的时代。然而，许多现有的水印算法，尤其是不考虑内容的方法，即使在最小的感知畸变下，也容易受到隐写分析攻击的影响。本文将水印算法分类为内容自适应和内容不可知的，并演示了如何通过平均一系列水印图像来揭示潜在的水印模式。我们利用提取出的模式实现了在灰盒和黑盒设置下的高效水印去除，即使该系列包含多个水印模式。对于一些算法，如树环水印，提取出的模式还可以在原始图像上伪造出令人信服的水印。我们通过对十二种水印方法的定量和定性评估突出了隐写分析对内容不可知的水印的威胁，以及设计抗击这种分析攻击的水印技术的重要性。我们提出了安全指南，呼吁使用内容自适应的水印策略，并进行隐写分析的安全评估。我们还建议使用多密钥分配作为对隐写分析漏洞的潜在缓解措施。

    Jun, 2024

  • 图像分类深度神经网络的数字水印技术的强度评估（扩展版）

    本文通过对 DNN 水印方案进行评估，发现目前的水印方案在实践中都不够稳健，需要通过更加全面的攻击评估来提高稳健性。

    Aug, 2021

  • 评估耐久性：多模式数字水印的基准洞察

    水印技术的鲁棒性在实际应用中的重要性和可靠性，并通过评估图片和文本生成模型生成的带水印内容在常见的实际场景下的鲁棒性验证了这一点。

    Jun, 2024

  • 微调不够用：一种简单而有效的用于 DNN 模型去水印的攻击方法

    本文提出了一种新颖的水印去除攻击方法，能够有效和盲目地破坏水印模型对水印样本的记忆，实现了水印去除，并且提出了一种轻量级的微调策略，以提升模型性能和现有水印的鲁棒性。

    Sep, 2020

  • 盲深度学习图像水印技术对几何变换具有鲁棒性

    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

  • 失真无关的深度水印

    本文提出了一种新的框架，通过对抗训练和信道编码的方法来实现无失真鲁棒性，相比于使用固定的图像扭曲噪声的深度学习方法，该方法在训练时不需要显式对图像扭曲建模，并能对未知的扭曲实现更好的性能。

    Jan, 2020