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

本文提出了一种基于条件扩散模型的去水印攻击方法 DiffWA，该方法在未带水印的图像上训练了一个图像到图像的条件扩散模型，并在采样时使用距离引导指导模型生成类似于原始图像的未带水印的图像，实验结果表明，本方法能够有效地去除水印并提高水印提取的误比特率，且攻击后的图像与原始图像相比，保留了较好的视觉效果。

Jun, 2023

提出了一种性能无损且无需额外训练的模型扩散水印技术，可以用于版权保护和追踪违规内容，该水印嵌入不影响模型参数，并且对于损失处理和擦除尝试具有鲁棒性。

Apr, 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

通过使用生成扩散模型对数据进行水印处理，我们展示了一种保护共享内容知识产权的方法，使得生成的图像带有水印并与训练数据特征相关联，以及通过统计测试确定模型是否使用了带有水印的数据。

Aug, 2023

本论文提出了一种名为 WDM 的新型数字水印方法，该方法可用于训练或微调扩散模型，学习一个与任务数据标准扩散过程不同的水印扩散过程（WDP），并提供了理论基础和分析，以说明该方法的有效性和鲁棒性。

Jun, 2023

本文提出了一种深度端到端扩散数字水印框架（ReDMark），可适用于任何所需的转换空间，通过两个具有残差结构的全卷积神经网络进行嵌入和提取，其整个深度网络可以进行盲水印保护，并能够扩散水印信息以提高安全性和鲁棒性。该框架在隐蔽度和鲁棒性之间具有可调整性，可以模拟各种攻击以便进行端到端的训练，其中对 JPEG 的攻击采用可微分的逼近，从而大大提高了水印的鲁棒性。与最新的研究结果相比，该框架在隐蔽度和鲁棒性方面表现优异。

Oct, 2018

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

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

本文提出利用对抗式机器学习中的稳健优化算法来提高基于卷积神经网络的数字水印框架的鲁棒性，在 COCO 数据集上的实验证明，稳健优化可以显著提高数字水印框架的鲁棒性。

Oct, 2019