潜水印:在潜在扩散空间中注入和检测水印
本文提出了一种将图像水印和潜在扩散模型相结合的主动策略,以实现所有生成的图像具有隐匿的水印,从而便于将来的检测和 / 或识别,评估了水印在各种生成任务中的隐身性和鲁棒性,显示稳定签名即使在被修改之后仍可使用,能够在误识率低于 10 的负 6 次方以下时,准确率达到 90% 以上,能够检测文本提示生成的图像来源并对图像进行裁剪处理的情况。
Mar, 2023
ZoDiac 使用预训练的稳定扩散模型将水印注入可训练的潜空间,从而产生出在向量空间中可靠检测到的水印,对抗各种水印攻击具有 98% 以上的检测率和不超过 6.4% 的误判率,并超越先进的水印处理方法,展示了稳定扩散作为一种强大的鲁棒水印处理方法的潜力。
Jan, 2024
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
本文提出了一种基于自监督深度网络的数字水印嵌入方法,利用数据增强技术,将水印和二进制信息嵌入网络的潜在空间中,可以处理各种分辨率,抵抗旋转、剪裁、JPEG、对比度等多种转换,该方法的性能优于前面的零比特方法,并且多比特水印的性能与端到端训练用于数字水印的编码器 - 解码器架构相当。
Dec, 2021
通过梯度反向传播和编码器初始化,本研究提出了一种名为 LatentTracer 的潜在反转方法,能够有效地追踪由特定潜在生成模型生成的图像,并且实验证明其具有高准确性和效率。
May, 2024
利用关键模块和标记模块的分解,本文介绍了 WaterPool,一个简单但有效的关键模块,提高了水印技术的性能,达到接近最佳的不可察觉性,并显著提高了功效和鲁棒性。
May, 2024
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
提出了一种名为 Spy-Watermark 的新型后门攻击方法,其中引入了一种可学习的图像潜在空间中嵌入的水印作为触发器,通过多个防崩溃操作进一步增强触发器对数据损坏的韧性,从而在面对数据崩溃和后门防御时仍然有效。在 CIFAR10、GTSRB 和 ImageNet 数据集上进行了大量实验,展示了 Spy-Watermark 在鲁棒性和隐秘性方面超过了十种最先进方法。
Jan, 2024
在保护 AI 生成图像的版权方面,水印技术至关重要。我们提出了 WMAdapter,这是一个扩散模型水印插件,可以在扩散生成过程中进行无缝水印印制。WMAdapter 高效、稳健,着重于高品质图像生成。为了实现这一点,我们进行了两个关键设计:(1)我们开发了一个轻量级的上下文适配器结构,实现了从强大预训练后期水印模型的有效知识转移。 (2)我们引入了额外的微调步骤,并设计了混合微调策略,以进一步提高图像质量并消除微小的瑕疵。实证结果表明,WMAdapter 具有较强的灵活性、异常的图像生成质量和竞争性的水印鲁棒性。
Jun, 2024
水印技术被视为一种有效的方法来检测 LLM 生成的文本,此研究针对三种最流行的水印方案家族开发了严格的统计测试,使用有限数量的黑盒查询来检测它们的存在,并发现当前的水印方案比之前认为的更容易被检测到。
May, 2024