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

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

为了解决深度水印技术在任意分辨率图像中的应用问题，本文提出了一种名为 DWFS 的实用深度分散水印技术，并采用了分散嵌入方案、水印同步与融合模块以及基于相似性的消息融合策略，通过实验证明了其在不同数据集上相较于现有方法在性能上的优越性。

Oct, 2023

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

基于空间隐形水印技术，提出了一种图像处理模型的水印框架，防止模型权益被侵犯。实验证明，该水印技术可抵抗不同网络结构和目标函数训练出的替代模型。

Feb, 2020

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

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

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

本研究提出了一种使用对抗训练的新型白盒数字水印算法 ——RIGA，通过实验表明，该算法在不影响准确性的情况下，显著提高了水印的隐蔽性和鲁棒性，可应用于深度神经网络的水印技术中。

Oct, 2019