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

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

深度神经网络的水印技术存在被移除的漏洞，本文通过研究参数空间，提出了一种寻找并恢复水印行为的强化模型水印技术，实验证明该方法提高了模型水印技术对参数变化和多种移除攻击的鲁棒性。

Sep, 2023

通过分析AI图像检测方法，研究了水印技术以及基于分类器的深度伪造检测器的强大性，发现在扰动预算较低的情况下，扩散纯化攻击能够有效地去除水印，而对于图像有明显更改的高扰动水印方法，我们开发了一种模型替换对抗攻击来成功去除水印。同时发现水印技术容易受到欺骗攻击，对开发者的声誉造成损害，并通过实验表明分类器的鲁棒性和可靠性之间存在基本的权衡关系。

Sep, 2023

ClearMark是第一种设计用于直观人工评估的DNN水印方法，通过在模型参数中嵌入可见水印，以允许人工决策，同时允许技术辅助评估。相较于现有的水印方法，ClearMark生成的可视化水印易于人类理解，无需复杂的验证算法或严格的阈值。水印嵌入在所有模型参数中，与主要任务交织在一起，表现出卓越的鲁棒性。ClearMark在四个数据集和七种架构的综合研究中证明了其在不同模型和数据集上的普适性和对抗模型篡改的强韧性。

Oct, 2023

该研究提出了一种新的框架，将对抗训练与水印技术相结合，以增强鲁棒性，抵御逃避攻击，并在知识产权盗窃情况下提供可信的模型验证。

Dec, 2023

利用扩散模型为防止未授权模型分发而合成无限制对抗样本作为触发器集合，通过知识注入而非错误记忆来促进独特的水印行为，并通过优化受保护模型的知识传递属性，无需过于猛烈的决策边界扰动即可将水印行为传递给提取替代物，从而提高对于逃避对手和水印清除攻击的鲁棒性。

Apr, 2024

模型版权的关键问题是所有权验证和水印技术，目前的基于后期方法是通过检查是否具有特定属性来识别可疑的第三方模型是否被盗窃。本文提出了一种新的基于可解释人工智能的水印技术，通过嵌入特征归属的解释中的验证行为来解决现有方法的限制。

May, 2024

本研究针对当前机器学习模型水印技术的脆弱性，特别是基于后门的水印嵌入方法，进行了深入探讨。通过信息论分析，揭示了水印抵御攻击的关键在于触发样本的选择，并提出了一种新颖的水印嵌入方案，以增强现有方法的抗攻击能力。实验结果显示，该方法在保持高效性的同时，对各种攻击具有良好的防御能力。

Sep, 2024

本研究解决了数字水印系统在对抗攻击下的安全性问题，填补了这一领域的空白。文章采用了新颖的对抗嵌入技术，对基于基础模型的数字水印方法的安全性进行了评估，并在复制和去除攻击下进行了系列实验，揭示了系统的脆弱性。研究结果为提升水印技术的安全性提供了实证依据，具有重要的应用价值。

Sep, 2024