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

本文提出了一种基于卷积神经网络的盲水印技术，通过迭代学习框架来实现水印的鲁棒性，该方案通过学习网络来检测图像子块中的 1 比特消息，并取得了良好的鲁棒性。

Apr, 2017

本文提出了一种基于深度学习神经网络的鲁棒盲水印方案，该方案实现了自适应图像水印算法，无需人工干预和注释，并且不需要事先了解敌对攻击的有关信息，实验证明了该方案的优越性。

Jul, 2020

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

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

本研究提出了一种基于 3D-UNet 的视频水印网络，可以用于视频篡改定位和检测，通过模拟视频压缩和模糊等攻击，以实现对被攻击版本的篡改区域的准确定位和检测，并具有良好的不可感知性和鲁棒性。

Jul, 2022

DNN 水印方法中的分辨率无关图像水印技术通过降低可变分辨率水印问题，可在不引入伪影和低鲁棒性的情况下实现固定分辨率水印。通过直接在连续信号而非图像像素上添加水印，我们提出了首个分辨率无关图像水印框架 RAIMark，通过为目标图像拟合隐式神经表示，并精调以获得针对二进制秘密消息的带水印隐式神经表示。与先前的方法相比，我们的方法具有更高的鲁棒性，并且在各项指标上的性能明显提高，平均位准确性提高了 7%～29%。同时，先前的方法易受至少一种水印攻击（如 JPEG、裁剪、调整大小）的影响，而我们的方法对所有水印攻击都具有鲁棒性。

May, 2024

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

插入和提取水印以保护封面图像的秘密行为被称为图像水印。最近几年，基于深度学习的图像水印技术层出不穷。为了研究最新技术，本综述将前沿的基于深度学习的图像水印技术分为 Embedder-Extractor Joint Training、Deep Networks as a Feature Transformation 和混合方案。同时分析和总结了每个类别的研究方向。此外，还讨论了未来的潜在研究方向以展望未来的研究。

Aug, 2023

本文提出了一种改进的数字水印算法，通过在噪声层和解码器之间引入去噪模块来增强该模型对于更强噪声的鲁棒性，同时引入 SE 模块以提高编码器的效率。实验结果表明该方法在不同噪声强度下可以媲美现有模型并且胜过同类型算法，消融实验进一步验证了我们提出的模块的优越性。

May, 2024