An Approach of Digital Image Copyright Protection by Using Watermarking Technology
数字水印系统是保护有价值的资源和信息的重要手段。数字水印一般是人眼和人耳感觉不到的。数字水印可用于视频、音频和数字图像中，用于各种各样的应用，例如版权管理、认证和过滤互联网内容。所提出的系统能够保护诸如音频、图像、视频或文本的数字媒体的版权或所有者标识。该系统利用密钥对水印进行置乱，并将置乱后的水印嵌入到原始图像的小波系数中。该密钥是随机生成的，用于选择置换水印在小波域中的嵌入位置。最后，结合密码学的概念和数字水印技术，实现了一个更加安全的数字水印系统。
2012-05-28 cs.CR
Yours or Mine? Overwriting Attacks Against Neural Audio Watermarking
本文提出针对神经音频水印的覆盖攻击，揭示现有系统安全漏洞，强调未来需加强安全设计。
2025-12-04 cs.CR cs.SD eess.AS
AudioMarkBench: Benchmarking Robustness of Audio Watermarking
Duke University（杜克大学）；Google（谷歌公司）
针对音频水印鲁棒性研究不足的问题，提出首个系统基准AudioMarkBench，涵盖多语言数据集、3种水印方法及15种扰动，在无盒、黑盒和白盒设置下评估其抗水印移除与伪造能力，揭示了现有技术的漏洞。
2024-11-13 cs.CR cs.LG cs.SD
MARC: Multi-Bit Watermarking for Autoregressive Audio Generation against Codec Attacks
East China Normal University（华东师范大学）
针对自回归音频生成水印易受编解码器攻击的问题，提出MARC多比特水印方法，结合固有令牌表示与编解码器混淆模式，在语音、对话、音乐生成任务中实现高比特提取准确率与攻击鲁棒性。
2026-10-09 cs.CR
Improved Robust DWT-Watermarking in YCbCr Color Space
数字水印技术是保护版权的有效手段。本文提出了一种基于小波变换的鲁棒水印算法，该算法无需原始图像就能确定版权。小波变换是图像分析和处理的有效方法。因此，基于离散小波变换的彩色图像水印算法开始受到越来越多的关注。在该方法中，水印加密通过Arnold变换和宿主图像被转换到YCbCr颜色空间。然后将其Y通道分解为小波系数，并对选取的逼近系数进行量化，然后利用LSB插入技术将量化系数的最低有效位替换为加密水印。实验结果表明，与传统的RGB颜色空间嵌入方法相比，该算法嵌入的水印具有更好的鲁棒性、不可见性和对小波压缩的鲁棒性。
2012-09-10 cs.CR cs.MM cs.SE
Robust Image Watermarking in Wavelet Domain using GBT-DWT-SVD and Whale Optimization Algorithm
由于数码内容容易被复制，侵犯版权已成为现今社会关注的问题。提供一个解决方案来防止这些内容的滥用是非常必要的。解决这个问题的最常见的方法之一是水印。在该方法中，属于媒体所有者的标志被嵌入媒体中。因此，他们可以证明媒体内容的原创性或所有权。图像是最重要的数字媒体之一。因此，本研究提出一种数位影像浮水印之方法。该方法基于图基变换（GBT）、奇异值分解（SVD）和离散小波变换（DWT），利用鲸鱼优化算法（WOA）寻找图像中嵌入系数的最佳值和最佳块。该算法首先将图像进行小波变换和高斯变换，然后将水印嵌入到图像的奇异值上。在存在图像攻击的情况下，为该任务定义的目标函数基于PSNR和NC这三个参数。在一些已知图像上的实验结果表明，与其他类似方法相比，该方法具有较高的性能。
2021-05-01 cs.CR eess.IV
WaveVerify: A Novel Audio Watermarking Framework for Media Authentication and Combatting Deepfakes
针对语音生成技术普及引发的深度伪造音频诈骗及虚假信息风险，本文提出新型音频水印框架WaveVerify，以应对音频内容认证需求，助力维护媒体完整性。
2025-07-23 cs.CR
Convolutional Neural Network-Based Image Watermarking using Discrete Wavelet Transform
University of Tehran（德黑兰大学）
随着互联网的日益普及，数字图像的使用和传输越来越频繁。虽然这种现象有助于轻松访问信息，但它也造成了安全问题，并通过允许非法使用，复制和数字内容盗窃而侵犯了知识产权。在数字图像中使用水印是维护安全的最常见方法之一。水印是通过在原始图像上添加数字水印来证明和声明图像的所有权。水印可以是文本或图像，公开或隐蔽地放置在图像中，并且预计将难以去除。本文提出了一种结合卷积神经网络（CNN）和小波变换的水印网络，用于水印的嵌入和提取。该网络不受宿主图像分辨率的影响，可以接受各种水印，并且在保持性能的情况下只有11层。性能通过两个方面来衡量：提取的水印与原始图像之间的相似性和宿主图像与水印图像之间的相似性。
2022-10-29 cs.CR cs.CV eess.IV
Learning to Evade: Adaptive Attacks on Audio Watermarking
University of Missouri-Kansas City（密苏里大学堪萨斯城分校）；University of Hawaii at Manoa（夏威夷大学马诺阿分校）；University of South Florida（南佛罗里达大学）；Michigan State University（密歇根州立大学）；University of Miami（迈阿密大学）
提出自适应音频水印攻击方法AWM，通过两阶段优化和分布参数估计，在保持高成功率的同时绕过检测器，检测率低于10%。
2026-06-23 cs.CR cs.SD
A Lattice-Based Embedding Method for Reversible Audio Watermarking
可逆音频水印技术是一种很有应用前景的技术。为了同时满足高不可感知性和鲁棒性的要求，提出了一种基于格的RAW方案。该方案被称为中间相遇嵌入（MME），其中晶格量化误差被适当地缩放并加回到量化的主机信号。仿真结果表明，MME在信号水印比（SWR），客观差异等级（ODG），和比特出错率（BER）的广泛的指标优于。
2022-09-15 cs.CR cs.MM
Robust Image Watermarking Under Pixel Wise Masking Framework
利用离散小波变换与人类视觉系统的相似性，提出了一种鲁棒的静止图像水印方法。该方案利用像素级掩蔽技术使二值水印对人类视觉系统不可感知。水印嵌入在感知显著的，空间选择的细节系数使用子带自适应阈值方案。阈值的计算是基于小波系数的统计分析。水印被多次嵌入以实现更好的鲁棒性。本文提出了一种新的非遗忘检测方法。实验结果表明，该算法对不同类型的有意和无意图像损伤（有损压缩、缩放、裁剪、滤波等）的鲁棒性得到了提高。报告的结果还显示隐藏数据的视觉和统计不可见性的改善。所提出的方法进行了比较，最先进的基于频率的水印技术，突出其性能。该算法架构以更有效的方式利用数据传输信道中的现有分配带宽。
2012-07-11 cs.CR
Improved DWT Based Watermarking Using JPEG-YCbCr
本文提出了一种基于小波变换域的盲、安全、不可感知和鲁棒水印算法。为了提高水印的安全性，将水印W转化为一个序列，然后采用一个大小为n的随机二进制序列R对水印进行加密，其中n为水印图像的大小。然后，通过对W和R执行“异或”运算来生成加密水印序列W1。该算法利用LSB插入技术将水印嵌入到JPEG-YCbCr的Y通道小波分解的低频系数中。实验结果表明，与文献[1]相比，该算法提高了水印的安全性和不可感知性，对小波压缩和剪切攻击具有更好的鲁棒性。
2012-06-20 cs.CR cs.MM
Quantization Audio Watermarking with Optimal Scaling on Wavelet Coefficients
近年来，离散小波变换（DWT）为数字信息隐藏和版权保护提供了一个有用的平台。许多基于小波变换的算法被提出。这些算法的性能是根据信噪比（SNR）和误码率（BER）来衡量嵌入音频的质量和鲁棒性。然而，在嵌入音频质量和鲁棒性之间存在折衷关系。该折衷关系是小波域中的信号处理问题。为了解决这个问题，本研究提出了一种基于优化的缩放方案，在小波域使用最佳的多系数量化。首先，将多系数量化技术改写为对小波变换系数进行任意缩放的方程，并以信噪比为性能指标。然后，一个功能连接方程和性能指标的推导。其次，利用拉格朗日原理求出最优解。第三，对小波变换系数的缩放因子进行了优化。此外，这些优化的比例因子的不变特性被用来抵抗幅度缩放。实验结果表明，嵌入后的音频具有较高的信噪比，对多种攻击具有较强的鲁棒性
2011-04-01 cs.CR math.OC
IDEAW: Robust Neural Audio Watermarking with Invertible Dual-Embedding
Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）；University of Science and Technology of China（中国科学技术大学）
本文提出IDEAW模型，通过双嵌入水印和优化可逆神经网络攻击层，解决了神经音频水印容量低、不可感知性差及水印定位不足的问题，实现了更高容量和更高效定位的鲁棒音频水印。
2024-09-29 cs.CR cs.MM cs.SD
A Comparison between Digital Image Watermarking in Tow Different Color Spaces Using DWT2
提出了一种基于离散小波变换的数字水印算法。大多数以前提出的水印算法嵌入序列的随机数作为水印。在这里，二值图像作为水印嵌入。在该方法中，宿主图像被转换到YCbCr颜色空间，然后其Y通道分解成小波系数。该算法首先对选定的逼近系数进行量化，然后利用LSB插入技术将量化系数的最低四位替换为水印。最后，利用小波变换系数的变化和不变合成水印图像。实验结果表明，该方法提供了额外的不可见性和鲁棒性对小波压缩相比，传统的嵌入方法在RGB颜色空间。此外，该方法不需要原始图像来提取水印。
2012-06-20 cs.CR cs.MM
Audio Watermarking with Error Correction
近年来，通过互联网的通信极大地促进了多媒体数据的分发。虽然这无疑是一个福音，但其影响之一是，它也推动了臭名昭著的在线音乐盗版问题。通过未经授权的分发以及未经授权的篡改受版权保护的音频数据来侵犯版权是一个重要的技术和研究问题。音频水印已被提出作为解决这个问题的解决方案。音频水印的主要目的是保护音频数据免受可能的威胁，并且在版权侵犯或未经授权的篡改的情况下，可以凭借音频水印来质疑这种数据的真实性。
2011-10-06 cs.CR cs.IT cs.MM
Audio Pirates: Black-box Audio Watermark Removal via Diffusion Priors
University of Houston（德克萨斯大学休斯敦分校）；Waseda University（早稻田大学）；University of Hawaii at Mānoa（夏威夷大学马诺阿分校）；Keio University（庆应大学）；The University of Electro-Communications（电通通信大学）
提出黑盒水印移除攻击DiffErase，通过将水印音频扰动到中间扩散噪声水平并利用预训练去噪模型再生，有效去除水印同时保持感知质量。
2026-05-28 cs.CR cs.SD
CRAW: Codec Robust Audio Watermarking
Bar-Ilan University（巴伊兰大学）；NVIDIA（英伟达公司）
针对现有音频水印方法在实际变换下鲁棒性不足的问题，提出CRAW框架，结合多种技术提升对神经编解码器等的鲁棒性，同时保持感知质量，达最优性能。
2026-09-04 cs.CR cs.LG cs.SD
SoK: How Robust is Audio Watermarking in Generative AI models?
University of Hawaii at Manoa（夏威夷大学马诺阿分校）；Michigan State University（密歇根州立大学）
本文系统评估了22种音频水印方案在109种去除攻击下的鲁棒性，发现所有方案均无法抵御全部攻击，并提出了分类体系、评估框架及关键漏洞发现。
2025-03-27 cs.AI cs.CR
SilentCipher: Deep Audio Watermarking
Sony AI（索尼人工智能）
针对音频水印难以兼顾不可感知性、容量与鲁棒性且现有深度学习方法存在可听伪影的问题，提出SilentCipher模型，通过心理声学阈值、伪可微压缩层与无感知损失方法，在44.1kHz音频中实现鲁棒性与不可感知性均达SOTA的水印编码。
2024-09-21 cs.CR cs.SD eess.AS
SweepMark: Query-Free and High-Fidelity Attacks on Robust Audio Watermarking
University of Missouri-Kansas City（密苏里大学堪萨斯城分校）；Indiana University Bloomington（印第安纳大学布鲁明顿分校）
DeMark提出一种免查询黑盒攻击，通过两阶段伪影抑制在保持音质的同时移除音频水印，在多个数据集和方法上实现高攻击成功率并揭示系统漏洞。
2026-10-22 cs.CR
Effective Digital Image Watermarking in YCbCr Color Space Accompanied by Presenting a Novel Technique Using DWT
在本文中，基于量化的水印铸造和盲水印检索算法在YCbCr颜色空间使用离散小波变换（DWT），所有权验证和图像认证应用程序的实现。该方法使用隐式视觉掩蔽，在YCbCr颜色空间的Y通道中仅将水印比特插入到高幅度的小波系数中。设计了一种无需原始图像帮助就能检测出嵌入水印的盲水印提取技术，该方法计算量小。新的水印算法结合和适应现有的水印方法的各个方面。实验结果表明，与RGB颜色空间中的水印嵌入方法相比，该方法具有更好的不可见性和鲁棒性。
2012-06-20 cs.CR cs.MM
SyncGuard: Robust Audio Watermarking Capable of Countering Desynchronization Attacks
Fudan University, China（复旦大学）
针对音频水印定位难、抗去同步攻击能力弱的问题，提出基于学习的SyncGuard方案，通过逐帧广播嵌入、失真层及多分辨率时频特征捕捉，实现可变长音频的高鲁棒性水印与优质听觉效果。
2025-09-01 cs.CR cs.MM cs.SD
Invisible Watermarking for Audio Generation Diffusion Models
Fordham University（福特汉姆大学）；IBM Research - Almaden（IBM研究院阿尔马登分院）；Florida International University（佛罗里达国际大学）；Google（谷歌）
本文提出首个面向梅尔频谱图音频扩散模型的不可见水印触发机制，用于验证模型所有权与完整性，并在保持良性音频生成性能的同时抵御未授权修改。
2023-10-31 cs.CR cs.LG cs.SD
XAttnMark: Learning Robust Audio Watermarking with Cross-Attention
Department of Computer Science, Lehigh University, Bethlehem, PA, USA（莱文斯顿大学计算机科学系）；Dolby Laboratories Inc., San Francisco, CA, USA（杜比实验室公司）
提出XAttnMark，通过生成器与检测器的部分参数共享、交叉注意力机制和时间条件模块，结合心理声学对齐的时频掩蔽损失，在音频水印的鲁棒检测和准确归因上达到最优性能。
2026-05-22 cs.AI cs.CR cs.LG
DeAR: A Deep-learning-based Audio Re-recording Resilient Watermarking
University of Science and Technology of China（中国科学技术大学）；University of Waterloo（滑铁卢大学）；National University of Singapore（新加坡国立大学）
针对音频重录音攻击导致水印失效的问题，提出基于深度学习的抗重录音音频水印框架DeAR，通过设计模拟重录音失真的专用层，在高质量嵌入下实现了98.55%的比特恢复准确率。
2023-04-03 cs.CR cs.MM cs.SD
A Comprehensive Real-World Assessment of Audio Watermarking Algorithms: Will They Survive Neural Codecs?
Sony AI（索尼人工智能）；Sony Group Corporation（索尼集团）
研究提出 RAW-Bench 基准，系统评估基于深度学习的音频水印方法在真实世界音频攻击下的鲁棒性，发现神经压缩是最大挑战，且特定失真会严重影响现有方法。
2025-05-28 cs.AI cs.CR cs.LG
MelShield: Robust Mel-Domain Audio Watermarking for Provenance Attribution of AI Generated Synthesized Speech
Department of Electrical and Computer Engineering, Queen's University, Kingston, ON, Canada（皇后大学电气与计算机工程系）；Department of Electrical and Computer Engineering, University of Waterloo, Waterloo, ON, Canada（滑铁卢大学电气与计算机工程系）
本文提出MelShield，一种在生成过程中嵌入可识别信号的鲁棒音频水印框架，用于版权保护和AI生成语音的溯源。通过在梅尔频谱域嵌入短二进制载荷，实现用户特定的可扩展溯源，并限制未授权解码。
2026-05-02 cs.CR cs.SD
Proactive Detection of Voice Cloning with Localized Watermarking
FAIR, Meta（Meta FAIR）；Inria（法国国家信息与自动化研究所）；Kyutai
本文提出AudioSeal，首个面向AI生成语音的局部水印检测技术，通过生成器/检测器联合训练和听觉掩蔽感知损失，在鲁棒性、不可感知性和检测速度上均达到领先水平。
2024-06-06 cs.AI cs.CR cs.SD
A Low-throughput Wavelet-based Steganography Audio Scheme
提出了一种新的隐写方案，并介绍了在隐写操作中结合两个密钥的思想。第一秘密密钥使用标准密码方案（例如IDEA、SAFER+等）对文本进行加密。在小波音频分解之前。将密文嵌入文件中的方式需要另一个密钥，即隐写密钥，其与音频小波分析的特征相关联。
2015-02-05 cs.CR cs.MM
Reversible Image Authentication with Tamper Localization Based on Integer Wavelet Transform
K.S.Rangasamy College of Technology（K.S.兰加斯瓦米工程技术学院）
本文提出了一种基于整数小波变换的数字水印的篡改定位可逆图像认证技术。如果图像的真实性得到验证，则可以从带水印的图像中完全去除由于嵌入水印而导致的失真。如果图像被篡改，则篡改位置也可以被定位。使用两层水印。嵌入在空间域中的第一层验证真实性，嵌入在变换域中的第二层提供可逆性。该方法利用小波系数差分图像的直方图特征和选择性LSB嵌入，并对图像像素值进行微小的修改来嵌入水印。实验结果表明，该方案可以检测到任何修改的水印图像。
2009-12-03 cs.CR cs.CV
VoiceMark: Zero-Shot Voice Cloning-Resistant Watermarking Approach Leveraging Speaker-Specific Latents
Tsinghua University（清华大学）；Pengcheng Laboratory（鹏城实验室）
针对零样本语音克隆场景下现有水印方法失效的问题，提出VoiceMark，利用说话人特定隐变量作为水印载体，实现零样本合成后超95%的水印检测准确率。
2025-05-30 cs.AI cs.CR cs.SD
Medical Image Watermarking using 2D-DWT with Enhanced security and capacity
远程放射学使医学图像能够在计算机网络上传输，用于许多目的，包括临床解释、诊断、存档等。在远程医疗中，可以在传输时操纵医学图像。此外，立法规则具体规定了医疗信息安全要求，有关实体必须遵守这些要求。在本研究中，我们提出了一种新的方案，基于二维离散小波变换（2D DWT），以提高医学图像的鲁棒性和认证。此外，本研究还通过对医学图像进行加密和压缩，提高了医学图像水印的安全性和容量。对个人数据集进行评价，其中包含194例CTI和68例MRI病例。
2017-03-16 cs.CR cs.MM
Audio signal encryption using chaotic Hénon map and lifting wavelet transforms
提出了一种新的基于混沌Hénon映射的音频信号加密方案。该方案主要包括两个阶段：一是预处理阶段，其中音频信号被转换成一个数据的提升小波方案和另一个在转换后的数据加密混沌数据集和双曲函数。此外，我们使用动态密钥，并认为密钥空间的大小足够大，以抵御任何类型的密码攻击。统计调查也被用来测试所提出的方案的安全性和效率。
2017-08-23 cs.CR nlin.CD
Smark: A Watermark for Text-to-Speech Diffusion Models via Discrete Wavelet Transform
Faculty of Information Science and Electrical Engineering, Kyushu University, Fukuoka, Japan（九州大学信息科学与电气工程学系）
Smark通过离散小波变换在TTS扩散模型的低频区域嵌入水印，实现高质量语音生成与知识产权保护。
2025-12-21 cs.AI cs.CR cs.SD
Speech Pattern based Black-box Model Watermarking for Automatic Speech Recognition
University of Science and Technology of China（中国科学技术大学）
模型水印技术作为一种有效的知识产权（IP）保护方法，已广泛应用于各种深度神经网络（DNN），包括语音分类模型。然而，如何设计一个黑盒水印方案的自动语音识别（ASR）模型仍然是一个未解决的问题，这是一个重要的需求，保护远程ASR应用程序编程接口（API）部署在云服务器上。由于ASR模型的条件独立性假设和基于标签检测的规避攻击风险，语音分类模型的黑盒模型水印方案不能适用于ASR模型。在本文中，我们提出了第一个黑盒模型水印框架，用于保护ASR模型的IP。具体来说，我们合成触发音频传播模型所有者的语音剪辑在整个输入音频和标记的触发音频的隐写文本，隐藏作者的信息与语言隐写。在最先进的开源ASR系统DeepSpeech上的实验证明了所提出的水印方案的可行性，该方案对五种攻击具有鲁棒性，并且对准确性的影响很小。
2022-05-02 cs.CL cs.CR cs.MM
The Robust Digital Image Watermarking using Quantization and Fuzzy Logic Approach in DWT Domain
提出了一种基于动态模糊推理系统（DFIS）的量化水印嵌入方法。利用量化和离散小波变换（DWT）对图像进行三级分解.使用DFIS规则库将大小为64x64像素的位图嵌入到主机图像中。利用DFIS生成水印加权函数，嵌入不可感知水印。该水印算法对JPEG压缩、椒盐噪声、中值滤波、旋转和剪切等常见攻击具有较好的鲁棒性和不可感知性。关键词：水印，量化，动态模糊推理系统，不可感知，鲁棒性，JPEG压缩，裁剪。
2013-02-18 cs.CR cs.MM
Robust watermarking based on DWT SVD
数字信息革命带来了许多新的优势和问题。由于数字音频、图像和视频材料易于编辑和完美复制，保护所有权和防止未经授权的操纵已成为一个重要的问题。数字水印技术被认为是实现版权保护的主要手段。它是信息隐藏的一个分支，用于隐藏专有信息的数字媒体，如照片，数字音乐，数字视频等。本文提出了一种新的图像水印算法，是对各种攻击的鲁棒性。利用离散小波变换和奇异值分解分别在宿主图像的HL和LH波段嵌入水印。仿真评估表明，所提出的技术承受各种攻击。
2013-09-27 cs.CR cs.MM
Asymmetric Phase Coding Audio Watermarking
University of California, Los Angeles（加州大学洛杉矶分校）；Meta
本文提出非对称相编码（APC）音频水印技术，结合数字签名与纠错码，实现紧凑且可验证的水印，通过多种攻击测试验证其鲁棒性与安全性。
2026-08-11 cs.CR eess.AS
Feature-Aligned Speech Watermarking for Robustness to Reconstruction Distortions
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Shenzhen Key Laboratory of Intelligent Media and Content Understanding（深圳市智能媒体与内容理解重点实验室）；Tencent AI Lab（腾讯人工智能实验室）
提出特征对齐水印方法，通过将水印与原始语音特征分布对齐，在保持不可感知性的同时提高水印能量，增强对语音重建模型的鲁棒性。
2026-06-11 cs.AI cs.CR cs.MM
TRLG: Fragile blind quad watermarking for image tamper detection and recovery by providing compact digests with quality optimized using LWT and GA
Ferdowsi University of Mashhad（马什哈德费尔多西大学）；Computer Engineering Department（计算机工程系）；Computer Engineering Department, Ferdowsi University of Mashhad（马什哈德费尔多西大学计算机工程系）
提出了一种基于提升小波变换和遗传算法的脆弱盲四元水印方案。TRLG基于提升小波变换和半色调技术，通过区分图像块的类型，生成四种高质量的紧凑图像。换句话说，对于每个2*2非重叠块，考虑四次恢复被破坏块的机会。提出了一种基于遗传算法的参数估计方法，以提高和优化水印图像的质量。此外，CCS映射用于确定嵌入信息的映射块，并对嵌入的信息进行加密和混淆。为了提高回收率，提出了旁插和搭档分块的方法。已经进行的实验，以评估TRLG的性能证明的优越性，在质量的水印和恢复的图像，篡改定位和安全性相比，国家的最先进的方法。实验结果表明，该算法的PSNR约为46 dB，SSIM约为1。同时，对几幅破坏率约为90%的图像进行恢复，其PSNR和SSIM均值分别达到24 dB和0.86。
2018-03-07 cs.CR cs.CV cs.MM
Speech watermarking: an approach for the forensic analysis of digital telephonic recordings
Escola Universitària Politècnica de Mataró（马塔罗理工学院）；Dirección General de la Guardia Civil（国民警卫队总局）；Graz University of Technology（格拉茨工业大学）
在这篇文章中，作者讨论了数字录音的司法鉴定问题。虽然法医音频已经在几篇文章中解决，但现有的方法集中在模拟磁记录上，由于市场上有大量的数字记录器（光学，固态，硬盘等），因此这些方法不太流行。提出了一种基于数字信号处理的语音水印方法，该方法结合了扩频技术。这种方法的优点在于，认证是基于信号本身而不是记录格式。因此，它适用于警察控制的电话拦截中的常用录音设备。此外，我们的建议允许引入相关信息，例如记录日期和时间以及所有相关数据（这对于经典系统并不总是可能的）。我们的实验结果表明，语音水印程序不干扰后验说话人辨识的显着方式。
2022-03-12 cs.CR cs.LG cs.SD
Position: 3D Gaussian Splatting Watermarking Should Be Scenario-Driven and Threat-Model Explicit
University of Maryland, College Park, MD, United States（马里兰大学学院公园分校）
本文主张3D资产水印技术应基于场景驱动和威胁模型明确，以提升知识产权保护效果。
2026-02-01 cs.CR cs.LG
Towards transformation-resilient provenance detection of digital media
DeepMind（深度思维）
深度生成模型的进步使得合成难以与自然信号区分的图像、视频和音频信号成为可能，这为潜在滥用这些功能创造了机会。这激发了跟踪信号起源的问题，即，能够确定信号的原始来源。在信号创建时对信号加水印是一种潜在的解决方案，但目前的技术是脆弱的，并且可以通过应用后处理变换（裁剪图像、改变音频中的音高等）来容易地绕过水印检测机制。在本文中，我们介绍了ReSWAT（通过对抗训练的弹性信号水印），这是一个用于学习变换弹性水印检测器的框架，即使在信号经过几次后处理变换后，该框架也能够检测到水印。我们的检测方法可以应用于连续的数据表示，如图像，视频或声音信号的域。对水印图像和音频信号的实验表明，我们的方法可以可靠地检测信号的来源，即使它已经通过几个后处理变换，并在此设置的相关工作的改进。此外，我们表明，对于特定种类的变换（扰动有界的L2范数），我们甚至可以得到正式的保证，我们的模型检测水印的能力。我们在https://drive.google.com/open?中提供了水印图像和音频样本的定性示例id=1-yZ0WIGNu2Iez7UpXBjtjVgZu3jJjFga。
2020-11-14 cs.CR cs.LG
GROOT: Generating Robust Watermark for Diffusion-Model-Based Audio Synthesis
Huaqiao University（华侨大学）；Shenzhen University（深圳大学）
针对扩散模型合成音频的监管难题，提出生成式鲁棒水印方法Groot，在音频合成时同步嵌入水印，经轻量解码器提取，对复合攻击鲁棒，平均提取准确率约95%。
2024-07-17 cs.AI cs.CR cs.SD
Verifiable Provenance and Watermarking for Generative AI: An Evidentiary Framework for International Operational Law and Domestic Courts
Department of Military Studies, Försvarshögskolan (Swedish Defence University)（军事研究系，国防大学）；School of Law, ADA University（法学院，ADA大学）
本文提出一个统一的证据框架，将加密内容来源、稳健的统计水印和零知识证明映射到各法律制度的证明要求，通过公开基准和模型附录为法律专业人士、工程师和操作员提供可复现的参考流程。
2026-05-20 cs.CR cs.CV cs.CY
