通过严格的概率分析，我们第一次对基于水印的面向用户感知的 AI 生成内容的检测和归属性能进行了系统研究，并开发了有效的算法来选择用户的水印以提高归属性能。我们的理论和实证结果表明，基于水印的检测和归属性能具有水印方法的准确性和 (非) 稳健性的特性。

Apr, 2024

通过使用两阶段统一的高绑定效果水印验证机制，我们提出了一种对无条件图像生成模型进行版权保护和数据验证的方法，可以在使用模型输出图像的情况下几乎实现零误报率的验证工作，而且可以跨不同类型的模型实现数据窃取验证。

Oct, 2023

人工智能生成内容 (AIGC) 在社交媒体上越来越受欢迎，其服务利用先进的生成模型，如潜在扩散模型和大型语言模型，为用户生成创意内容 (例如逼真的图像，流畅的句子)。本文展示了水印在生成的内容中的易破解性，并提出了 WMaGi 框架，通过利用预训练的扩散模型和生成对抗网络实现水印的移除和伪造，从而实现对生成内容的高速攻击。

Sep, 2023

通过重新生成的方法，我们提出一种可解释的数据所有权验证程序，能够识别潜在指纹，并通过迭代数据再生增强生成模型中的指纹。此方法不仅保护 API 的知识产权，还解决了信息传播和学术不端等重要问题，确保信息源的完整性和作者身份的真实性。

Feb, 2024

对基于水印的 AI 生成内容检测方法的鲁棒性进行了系统研究，并提出了一种对抗性后处理方法，该方法可以让 AI 生成的图像逃避检测，并且保持良好的视觉质量，从而凸显了当前水印检测方法的不足之处。

May, 2023

本文提出了一种基于黑盒神经网络水印技术和图像感知哈希算法的深度神经网络版权保护与可追溯性框架，该框架可以有效地解决现有基于水印的版权保护机制在追溯授权用户方面存在的误判以及黑盒主动保护机制的授权控制宽松问题。

Jun, 2022

在 AI 生成内容（AIGC）模型可以生成惊人逼真的图像的时代，未授权复制和恶意篡改的阴影对版权完整性和信息安全构成了即将到来的威胁。本文提出了一种创新的主动取证框架 EditGuard，以统一版权保护和对于 AIGC 编辑方法的无痕迹篡改的定位，特别适用于局限在 AIGC 编辑方法上的图像篡改。EditGuard 可以提供不可察觉水印的精细嵌入、被篡改区域精确解码和著作权信息。通过利用我们观察到的图像隐写术的脆弱性和局部性，EditGuard 的实现可以转化为一种统一的图像位隐写问题，从而将训练过程与篡改类型完全解耦。大量实验证明，我们的 EditGuard 平衡了篡改定位的准确度、著作权恢复的精确性以及对各种 AIGC 编辑方法的普适性，特别是对于肉眼难以检测的图像伪造。

Dec, 2023

本文提出了一种无需更改且与模型无关的图像源头归属方法，该方法通过对图像生成模型进行输入反向工程，即对特定图像的特定模型的输入进行反转来实现。利用逆向工程的重构损失确定图像来源的方法有效地区分了特定生成模型的生成图像和其他图像，包括不同模型生成的图像和真实图像。

May, 2023

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

发现基础生成模型应该可追溯，以保护其所有者并促进安全监管，本文提出了一种新的任意入任意出策略（AIAO）来使水印抵抗基于微调的删除，并使用蒙特卡洛采样来实现稳定的验证结果。通过在各种神经网络深度上使用 AIAO 样本的触发响应对构建带水印的子路径，将后门嵌入采样子路径的特征空间中，并提出了一个掩码控制的触发函数来保持生成性能和嵌入后门的隐形性，实证研究证实了 AIAO 的健壮性，验证率始终保持在 90% 以上。

May, 2024