Apr, 2024

隐藏与寻找：数字水印对人脸识别的影响

PDF
TL;DR我们研究了数字水印技术对人脸识别模型有效性的影响，并提出了一种综合流程，通过人脸图像生成、数字水印和人脸识别的整合来系统地研究这个问题。我们的发现突显了数字水印技术与人脸识别准确性之间微妙的权衡关系，这对于负责任地利用生成模型进行人脸识别并引发关于水印技术在生物识别中的更广泛影响的讨论起到了重要的推动作用。
generative modelsface recognitiondigital watermarkingimage synthesisbiometrics
发现论文，激发创造
  • 抗深度伪造换脸的鲁棒身份感知水印

    该研究提出了第一个强大的身份感知水印框架，可以主动地进行检测和源追踪来对抗 Deepfake 人脸交换，并在不同数据集和处理设置下展示了最先进的性能。

    Nov, 2023

  • FaceSigns: 媒体认证和对抗 Deepfakes 的半脆弱神经水印

    该研究提出了一种基于深度学习的半脆弱水印技术，该技术通过验证嵌入在图像像素中的隐秘信息来实现媒体身份验证，可以抵抗面部操纵和篡改，同时也是鲁棒的，可以保持图像在顺利处理后的真实性。

    Apr, 2022

  • 图像处理网络的模型水印技术

    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

  • 稳定签名：将水印扎根于潜在扩散模型中

    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

  • 监督式 GAN 数字水印技术的知识产权保护

    本文提出了一种基于 CNN 解码块插入生成器输出的数字水印算法，对生成对抗网络模型进行加密和保护。实验结果表明，该算法可将无形水印嵌入生成的图像，并在后期进行身份验证时检测到水印的存在，并且在 JPEG 压缩、添加噪声、模糊和颜色转换等后处理下，水印具有良好的抗干扰能力。

    Sep, 2022

  • 生成式数字水印技术防止未授权主体驱动图像合成

    本文提出了一种新的数字水印系统 GenWatermark, 该系统结合了数字水印生产者和检测器，通过 fine-tuning 与合成的图像一起学习水印，以保护被合成图像的主体权益。实验证明，GenWatermark 对未知模型和文本提示以及部分数据水印化的有效性较高，并且对抵抗合成质量的潜在对策具有鲁棒性。

    Jun, 2023

  • 针对深度神经网络水印技术的攻击：以逃避攻击为例

    本研究关注深度神经网络的水印方案的稳健性和可靠性，发现恶意对手即使在水印难以删除的情况下，仍然可以逃避合法所有者的验证，从而避免了模型被盗的可能性。

    Sep, 2018

  • 评估人工智能生成的医学图像中隐形水印的有效性

    我们的研究提出在合成医学图像中引入不可见水印，并评估其在下游分类任务中的有效性，以推动讨论此类水印在增强合成医学图像的可检测性、巩固道德标准、防止数据污染和潜在骗局方面的可行性。

    Feb, 2024

  • 巩固大型语言模型的三个水印砖块

    该研究以三个理论和实证考虑为基础，为大型语言模型提出了水印的方法，其中包括新的统计测试、经典基准的效果比较以及高级侦测方案的开发。

    Jul, 2023

  • 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