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

使用多通道注意力与多感知损失的多任务网络，通过两个阶段的过程，提出了一个架构鲁棒性更强且盲目去除可见数字水印的算法，该算法在四个不同数据集下比其他方法表现更突出。

Dec, 2020

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

采用 Transformer 和嵌套结构的方法对数字水印的提取和背景修复进行统一处理，通过简化现有的框架实现了最先进的性能并生成高质量的图像。

Aug, 2023

通过上下文为基础的实例级调制和对比学习，提出了一种用于训练混合数据集模型的创新算法 CoIC，以提高卷积神经网络和 Transformer 模型的去雨能力。

Apr, 2024

我们提出了一种新的基于模型反演的移除攻击（Mira），该攻击不针对特定的水印，并且对大多数主流的黑盒深度神经网络水印方案都有效。我们的攻击方法利用受保护模型的内部信息来恢复并取消学习水印信息，并且还设计了目标类别检测和恢复样本分割算法来减小 Mira 攻击带来的效用损失，实现对一半水印方案的无数据水印去除。我们在三个基准数据集和深度神经网络架构上对 Mira 进行了全面评估，与六种基线攻击相比，Mira 对覆盖的水印具有强大的去除效果，在更宽松甚至无对数据集可用性的假设下，保留了至少 90% 的被窃模型效用。

Sep, 2023

通过结合文本生成图像和水印的任务以及引入馊毒信息理论和非合作博弈理论的原则，我们的研究在图像质量、水印隐形性和水印鲁棒性方面取得了显著成就。

Sep, 2023

在图像修复中，人们常常希望根据指令去除特定的图像退化现象，本文提出了一种名为 TransRFIR 的新型建模方法，它通过感知图像中的不同退化类型并根据文本提示去除特定的退化，该方法基于两个设计的注意力模块，即 MHASA 和 MHACA，具有较低的计算成本和优秀的性能，可以作为图像修复的一种有效架构。

Apr, 2024

该研究提供了一种基于对比 Instagram 滤镜去除网络（CIFR）的方法，旨在恢复社交媒体图像的原始版本，以提高卷积神经网络在本地化和分割任务中的推断性能。实验结果表明，CIFR 提供的策略比以往的研究取得了更好的定量和定性结果。

Apr, 2022

提出了一种轻量级图像恢复网络 LIR，通过高效的自适应关注 (EAA) 模块实现了去除图像降噪、模糊等的目的，同时比现有网络在参数和计算量上更高效且产生更接近人眼感知的视觉效果。

Feb, 2024