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

本文提出了一种针对Diffusion Model的保护图像的方法，通过生成样本特定的扰动噪声使训练数据难以被Diffusion Model学习，以此保护隐私和版权。

Jun, 2023

本文提出了一种叫做SDD的方法，可以在图像生成模型中避免生成有害内容，该方法相对于之前的方法可以更彻底地除去生成图像中的有害内容，同时保持图像的整体质量，并且能够一次性去除多个概念。

Jul, 2023

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

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

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

对文本引导的图像生成模型进行了记忆化分析，提出三个必要条件进行定量分析，并利用反演技术验证目标图像的安全性，同时对稳定扩散模型进行了有效性实验证明。

May, 2024

稳定签名是一种新的数字水印方法，根据扩散模型解码器的参数将水印嵌入生成的图像中，但我们提出了一种攻击方法可通过微调扩散模型有效去除水印，同时保持生成图像的视觉质量，结果表明稳定签名不如先前认为的那样稳定。

May, 2024

本文介绍了一种创新而多功能的优化框架，用于获取不可见的触发器，增强插入后门的隐蔽性和韧性。我们的研究首次展示了在文本引导的图像编辑和修复流程中进行扩散模型后门注入的能力，同时还发现条件生成中的后门直接适用于模型水印验证，进一步提升了所提框架的重要性。多个常用采样器和数据集上的广泛实验证实了所提框架的有效性和隐蔽性。

Jun, 2024

我们的论文研究了图像清洗的法医学意义，揭示了模糊真实内容的严重潜力，包括可能被错误分类为合成图像的敏感和有害材料，从而损害所涉者的保护。为了解决这个问题，我们提出了一个有效区分原始、清洗和全合成图像（从文本提示生成的图像）的两阶段检测流程，在各种条件下表现出鲁棒性。最后，我们强调了图像清洗的另一个令人担忧的性质，它似乎掩盖了法医检测器用来解决相机模型识别任务的独特伪迹，严重削弱了它们的性能。

Jul, 2024