Peccavi: Visual Paraphrase Attack Safe and Distortion Free Image Watermarking Technique for AI-Generated Images
VIIT Pune, India(印度普尼大学);IIIT Delhi, India(印度德里理工学院);BITS Pilani Hyderabad, India(印度海得拉巴理工学院);Meta AI, USA(美国Meta AI);Stanford University, USA(美国斯坦福大学);Amazon GenAI, USA(美国亚马逊生成人工智能);AI Institute, University of South Carolina, USA(美国南卡罗来纳大学人工智能研究所)
本文提出PECCAVI,一种针对AI生成图像的视觉复述攻击安全且无失真水印技术,通过在核心语义区域嵌入水印并结合多通道频域和噪声抛光增强鲁棒性。
2025-06-28 cs.CV
SSyncOA: Self-synchronizing Object-aligned Watermarking to Resist Cropping-paste Attacks
Huazhong University of Science and Technology(华中科技大学);National University of Singapore(新加坡国立大学)
本文提出SSyncOA自同步对象对齐水印方法,通过归一化对象质心、主轴方向和最小外接正方形来同步平移、旋转和缩放失真,并将真实裁剪-粘贴攻击纳入端到端训练,以抵抗裁剪-粘贴攻击并保护对象版权。
2024-05-06 cs.CV
DLOVE: A new Security Evaluation Tool for Deep Learning Based Watermarking Techniques
Indian Institute of Technology Bhilai(印度比莱印度理工学院)
该研究针对基于深度神经网络的水印技术开展安全分析,提出新型DLOVE覆写攻击方法,经7种主流水印技术验证其攻击有效性,可作为基准工具测试此类水印的鲁棒性。
2024-07-09 cs.CR cs.CV
UnMarker: A Universal Attack on Defensive Image Watermarking
UnMarker 是首个无需检测器反馈的通用防御性图像水印攻击,通过对抗性优化破坏频谱幅度,首次实用地攻破语义水印,证明防御性水印无法有效抵御深度伪造。
2024-11-22 cs.CR cs.CV cs.LG
Robust Watermarking for Video Forgery Detection with Improved Imperceptibility and Robustness
Fudan University(复旦大学)
视频很容易受到篡改攻击,从而改变含义并欺骗观众。以前的视频伪造检测方案发现微小的线索来定位篡改区域。然而,攻击者可以通过使用视频压缩或模糊来破坏这些线索,从而成功地逃避监管。提出了一种用于篡改定位的视频水印网络。我们共同训练一个基于3D-UNet的水印嵌入网络和一个解码器,预测篡改掩码。水印嵌入所产生的扰动几乎是不可感知的。考虑到目前还没有现成的可区分视频编解码器模拟器,我们建议通过集成其他典型攻击的模拟结果来模拟视频压缩,例如,JPEG压缩和模糊,作为近似值。实验结果表明,该方法生成的水印视频具有良好的不可见性,并鲁棒性和准确地定位篡改区域的攻击版本。
2022-07-07 cs.CV
RoWSFormer: A Robust Watermarking Framework with Swin Transformer for Enhanced Geometric Attack Resilience
针对CNN水印模型难以抵御几何攻击的局限,提出基于Swin Transformer的鲁棒水印框架RoWSFormer,通过自注意力机制和频域增强模块显著提升了水印对几何失真及非几何攻击的鲁棒性与不可见性。
2024-09-23 cs.CV cs.MM eess.IV
Robustness of AI-Image Detectors: Fundamental Limits and Practical Attacks
University of Maryland(马里兰大学)
本文分析了AI图像检测器(含水印与分类器)的鲁棒性,揭示了低扰动水印在扩散净化攻击下的规避与欺骗错误率权衡,并针对高扰动水印提出模型替换对抗攻击,同时验证了分类器鲁棒性与可靠性的基本权衡。
2024-02-14 cs.CV
ResGuard: Enhancing Robustness Against Known Original Attacks in Deep Watermarking
Shanghai Jiao Tong University(上海交通大学);University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
本文提出ResGuard模块,通过增强图像依赖性来提升对已知原始攻击的鲁棒性,使水印提取准确率从59.87%提升至99.81%。
2026-04-04 cs.CV
Social Media Authentication and Combating Deepfakes using Semi-fragile Invisible Image Watermarking
Wichita State University(威奇托州立大学);University of North Texas(北得克萨斯大学)
针对Deepfake检测易受攻击问题,提出一种半脆弱不可见图像水印技术,通过独特架构将64位秘密信息嵌入真实图像,对面部篡改脆弱但对良性处理和移除攻击鲁棒,实现最先进的媒体认证性能。
2024-10-02 cs.AI cs.CR cs.CV
A Robust Document Image Watermarking Scheme using Deep Neural Network
Nanjing University of Information Science & Technology(南京信息工程大学);Jinan University(暨南大学)
数字水印技术是一种重要的版权保护技术,它通常将身份信息以不可感知的方式嵌入到载体中。然后,即使在遭受各种攻击之后,也可以从水印载体中提取身份以证明版权。现有的水印技术大多以自然图像为载体。与自然图像不同,文档图像的颜色和纹理并不丰富,因此携带水印的冗余信息较少。提出了一种基于深度神经网络的端到端文档图像水印方案。具体地说,设计了一个编码器和一个解码器来嵌入和提取水印。添加噪声层以模拟现实中可能遇到的各种攻击,例如裁剪,丢弃,高斯模糊,高斯噪声,调整大小和JPEG压缩。设计了一个文本敏感的损失函数来限制对字符的嵌入修改。提出了一种嵌入强度调整策略,在保证提取精度的前提下提高了水印图像的质量。实验结果表明,本文提出的文档图像水印技术在鲁棒性和图像质量方面优于三种现有技术。
2022-02-26 cs.CV
Achieving Resolution-Agnostic DNN-based Image Watermarking: A Novel Perspective of Implicit Neural Representation
Southern University of Science and Technology(南方科技大学)
本文提出RAIMark框架,首次通过直接对图像的隐式神经表示进行水印嵌入,避免分辨率归约过程,实现分辨率无关且对多种攻击鲁棒的图像水印,平均比特准确率提升7%到29%。
2024-09-01 cs.CR cs.CV
Agentic Copyright Watermarking against Adversarial Evidence Forgery with Purification-Agnostic Curriculum Proxy Learning
Graduate University for Advanced Studies, SOKENDAI(高等研究生院(总研究大学));National Institute of Informatics(情报学研究所)
针对AI模型版权保护需求,本文提出自认证黑盒水印协议、对抗证据伪造攻击研究、纯化防御及纯化无关课程代理学习方法,有效提升水印模型的安全性、可靠性与性能。
2025-01-13 cs.CR cs.CV
FreqMark: Invisible Image Watermarking via Frequency Based Optimization in Latent Space
University of California, Santa Cruz(加州大学圣克鲁兹分校);The University of Hong Kong(香港大学);University of Science and Technology of China(中国科学技术大学);IEG, Tencent(腾讯IEG);Fudan University(复旦大学)
本文提出 FreqMark,通过优化 VAE 编码后的图像潜在频率空间嵌入水印并用预训练编码器提取,在多种攻击下以 48 位消息实现超过 90% 的位准确率。
2024-10-28 cs.CR cs.CV cs.LG
METR: Image Watermarking with Large Number of Unique Messages
VK Lab(VK实验室)
针对现有图像水印抗攻击弱、承载唯一消息量少的问题,提出基于Tree-Ring的METR水印及适配潜在扩散模型、可承载近乎无限唯一消息的METR++,二者均兼顾抗攻击能力与图像质量,具备实际应用潜力。
2024-08-15 cs.CR cs.CV cs.LG
SEAL: Semantic Aware Image Watermarking
New York University(纽约大学)
本文提出了一种新的水印方法,通过将生成图像的语义信息直接嵌入水印中,实现无损水印验证,无需依赖密钥模式数据库。通过局部敏感哈希从图像语义嵌入中推断密钥模式,并基于原始图像内容条件检测水印,提高对抗伪造攻击的鲁棒性。
2026-05-18 cs.CR cs.CV cs.LG
Blind Deep-Learning-Based Image Watermarking Robust Against Geometric Transformations
Ghent University(根特大学);imec(校际微电子中心);IDLab
针对现有图像水印方法缺乏抗几何变换鲁棒性的问题,本文基于 HiDDeN 架构引入多种可微噪声层,提出了一种对几何攻击具有鲁棒性的盲深度学习水印方法,在几何鲁棒性上优于现有技术。
2024-02-14 cs.CR cs.CV cs.MM
High-Fidelity Face Content Recovery via Tamper-Resilient Versatile Watermarking
Jinan University(暨南大学);University of Macau(澳门大学);Sun Yat-sen University(中山大学);Nanyang Technological University(南洋理工大学)
本文提出VeriFi框架,结合版权保护、像素级篡改定位和高保真面部内容恢复,通过紧凑语义潜在水印和AIGC攻击模拟器提升水印鲁棒性和恢复质量。
2026-08-28 cs.AI cs.CV
Adversarial Watermarking for Face Recognition
Michigan State University(密歇根州立大学)
本文提出一种新颖的人脸识别对抗性水印攻击方法,该方法在无水印时保持隐蔽,应用水印后激活攻击,在 CASIA-WebFace 数据集上最高可使人脸匹配准确率下降 95.9%。
2024-09-24 cs.AI cs.CV
RAW: Robust Avatar Watermarking -- Benchmarking and Baseline
University of Bath(巴斯大学)
针对数字人水印面临的后处理攻击,提出基准测试RAW和基于3D人脸重建的UV纹理空间水印方法WALT,在缩放攻击和背景移除攻击下分别达到92.4%和95.6%的鲁棒性。
2026-05-17 cs.AI cs.CV
DeepFreqMark: End-To-End Learnable Frequency-Domain Watermarking with Spherical Attack Simulation for Latent Diffusion Models
National Taiwan University(台湾大学);Kyushu Institute of Technology(九州工业大学)
针对潜在扩散模型生成图像的版权与虚假信息问题,提出DeepFreqMark频域水印框架,结合球形攻击模拟规避计算瓶颈,其误码率显著低于基线,消息容量可达256位。
2026-08-11 cs.AI cs.CV
DeMark: A Query-Free Black-Box Attack on Deepfake Watermarking Defenses
UNSW Sydney(新南威尔士大学悉尼分校);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61)
DeMark通过利用潜在空间漏洞,对深度伪造水印防御方案发起无需查询的黑盒攻击,显著降低检测准确率并揭示现有防御方案的脆弱性。
2026-01-23 cs.AI cs.CR cs.CV
Enhancing Robustness in Post-Processing Watermarking: An Ensemble Attack Network Using CNNs and Transformers
National Yang Ming Chiao Tung University(国家阳明交通大学);National Taiwan University(国立台湾大学)
本研究聚焦后处理水印,提出结合空间域CNN与频域Transformer的集成攻击网络以提升水印鲁棒性,在WAVES基准上验证其能显著增强基线方法抗攻击能力,尤其在再生攻击下将StegaStamp性能提升18.743%。
2025-09-03 cs.CV
Towards Robust Content Watermarking Against Removal and Forgery Attacks
Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学);University of Waterloo(滑铁卢大学)
本文提出Instance-Specific watermarking with Two-Sided detection方法,通过动态控制水印注入时间和模式提升鲁棒性,有效对抗移除和伪造攻击。
2026-04-08 cs.CV cs.LG
Wide Flat Minimum Watermarking for Robust Ownership Verification of GANs
Jinan University(暨南大学);University of Siena(锡耶纳大学);Nanjing University of Information Science and Technology(南京信息工程大学)
本文提出一种多比特无框GAN水印方法,通过训练时加入水印损失并迫使模型收敛到宽平坦极小值,实现对微调、剪枝、量化和代理模型攻击的鲁棒所有权验证。
2023-10-25 cs.AI cs.CV
From Attack to Protection: Leveraging Watermarking Attack Network for Advanced Add-on Watermarking
Seung-Hun Nam;Jihyeon Kang;Daesik Kim;Namhyuk Ahn;Wonhyuk Ahn
本文提出可训练的水印攻击网络WAN,利用残差密集块架构在保持视觉质量的同时破坏多位水印系统,并进一步将其转化为附加式水印机制AoW,以增强现有水印方案的鲁棒性与不可感知性。
2025-05-03 cs.CR cs.CV cs.MM
Watermarks Attack Watermarks: Re-Watermarking as a Generic Removal Strategy
University of Melbourne(墨尔本大学)
本文提出了一种新的攻击方法,通过重水印来移除现有水印,展示了其在水印检测和移除中的有效性,为水印安全性和抗攻击性提供了新的视角。
2026-05-16 cs.CR cs.CV
On the Robustness of Watermarking for Autoregressive Image Generation
Ruhr University Bochum(波鸿鲁尔大学);Middlebury College(米德尔伯里学院);New York University(纽约大学);Independent Researcher(独立研究员);Qualcomm(高通)
研究自回归图像生成中水印技术的鲁棒性,揭示其易受移除和伪造攻击的影响,并提出三种新攻击方法,表明现有水印方案无法可靠检测合成内容。
2026-04-13 cs.AI cs.CR cs.CV
Fading the Digital Ink: A Universal Black-Box Attack Framework for 3DGS Watermarking Systems
本文提出首个针对3DGS水印系统的通用黑盒攻击框架GMEA,通过多目标优化和分组策略平衡水印移除与视觉质量,揭示现有版权保护方案的关键漏洞。
2025-08-10 cs.CR cs.CV
RWN: Robust Watermarking Network for Image Cropping Localization
Fudan University(复旦大学)
图像裁剪可以被恶意地用于操纵图像的布局并改变其潜在含义。先前的图像裁剪检测方案仅预测图像是否已被裁剪,而忽略图像的哪个部分被裁剪。提出了一种新的鲁棒水印网络(RWN)用于图像裁剪定位。我们训练一个抗裁剪处理器(ACP),将水印嵌入到目标图像中。然后,在社交网络上发布视觉上无法区分的受保护图像,而不是原始图像。在接收方,ACP算法从被攻击图像中提取水印,并对原始图像和提取的水印进行特征匹配,定位出作物在原始图像平面上的位置。我们进一步扩展我们的计划检测篡改攻击的攻击图像。此外,我们探索了一种简单而有效的方法(JPEG-Mixup),以提高JPEG鲁棒性的推广。综合实验表明,RWN是第一个提供高精度和鲁棒性的图像作物定位方法。此外,篡改检测的准确性与许多国家的最先进的被动为基础的方法相媲美。
2022-05-31 cs.AI cs.CV
RoboSignature: Robust Signature and Watermarking on Network Attacks
New York University(纽约大学)
本文提出针对 Stable Signature 水印的对抗性微调攻击,揭示其脆弱性,并设计了一种受大语言模型方法启发的防篡改微调算法,以增强潜在扩散模型水印的鲁棒性。
2024-12-22 cs.AI cs.CR cs.CV
FDDWAN: A Frequency-Decoupled Diffusion Network for Watermarking Attack
该研究针对现有水印去除方法的权衡缺陷,提出FDDWAN框架,经实验验证其在水印去除与视觉保真度间的表现优于传统及学习型攻击方法。
2026-07-31 cs.CV
Invisible Backdoor Triggers in Image Editing Model via Deep Watermarking
Research Center for Information Technology Innovation(信息科技创新研究中心)
本文提出利用深度水印模型在图像编辑任务中植入隐形后门触发器,通过投毒训练使模型对含水印输入输出预定义目标,同时正常编辑干净图像,实验验证了该攻击的有效性。
2025-06-05 cs.CV
Bounding-box Watermarking: Defense against Model Extraction Attacks on Object Detectors
Fujitsu Limited(富士通有限公司)
本文提出一种针对目标检测器模型提取攻击的防御方法,通过API隐秘修改查询中的边界框向提取模型注入后门水印,在保持检测能力的同时实现100%的提取模型识别率。
2025-06-25 cs.CR cs.CV
Rel-Zero: Harnessing Patch-Pair Invariance for Robust Zero-Watermarking Against AI Editing
针对AI编辑对图像真实性的威胁,提出Rel-Zero零水印框架,利用编辑中补丁对关系距离的不变性,无需修改原图即可生成鲁棒水印,实验证明其优于现有方法。
2026-06-16 cs.AI cs.CR cs.CV
PhaseMark: A Post-hoc, Optimization-Free Watermarking of AI-generated Images in the Latent Frequency Domain
Department of ECE \& INMC, Seoul National University, Korea
PhaseMark通过在潜在频率域中直接调节相位,实现无需优化的高效且抗攻击的AI生成图像水印技术。
2026-01-19 cs.CV
Hidden in the Noise: Two-Stage Robust Watermarking for Images
New York University(纽约大学)
针对图像水印易受伪造和移除攻击的问题,提出基于扩散模型初始噪声的两阶段水印框架,通过引入傅里叶模式实现高效检测,并在抵御多种攻击中达到最先进的鲁棒性。
2025-04-27 cs.AI cs.CV cs.LG
Exploring Structure Consistency for Deep Model Watermarking
University of Science and Technology of China(中国科学技术大学);Microsoft Cloud AI(微软云人工智能部门);City University of Hong Kong(香港城市大学);Wormpex AI Research(Wormpex人工智能研究院)
深度神经网络(DNN)的知识产权(IP)很容易被代理模型攻击“窃取”。在分类任务中保护DNN模型的IP的解决方案已经取得了重大进展。然而,在图像处理任务中很少关注DNN的保护。通过利用一致的不可见空间水印,最近的一项工作首先考虑了深度图像处理网络的模型水印,并在许多下游任务中证明了其有效性。然而,它高度依赖于网络输出中嵌入的水印是一致的假设。当攻击者使用一些常见的数据增强攻击(例如,旋转、裁剪和调整大小),它将完全失败,因为底层水印一致性被破坏。为了解决这个问题,我们提出了一种新的水印方法,即“结构一致性”,基于此设计了一种新的深度结构对齐模型水印算法。具体地,嵌入的水印被设计为与物理上一致的图像结构(诸如边缘或语义区域)对齐。实验结果表明,该方法在抵抗数据增强攻击方面比基线方法具有更好的鲁棒性。此外,我们进一步测试了我们的方法的泛化能力和鲁棒性,以更广泛的规避攻击。
2021-08-05 cs.CR cs.CV
CSGuard: Toward Forgery-Resistant Watermarking in Diffusion Models via Compressed Sensing Constraint
University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(人工智能研究所,合肥国家科学中心);Lenovo Research(联想研究院)
CSGuard通过压缩感知约束实现扩散模型的抗伪造水印技术,确保只有持有秘密矩阵的用户才能正确嵌入或验证图像水印,有效防止伪造攻击。
2026-05-02 cs.CV
Invisible Watermarks: Attacks and Robustness
Carnegie Mellon University(卡内基梅隆大学)
本研究提出改进的隐形水印鲁棒性方法,包括自定义水印移除网络以保留一种模态,以及基于GradCAM的局部模糊攻击以减少图像降级,实验表明两者均优于基线。
2024-12-17 cs.CV
Spy-Watermark: Robust Invisible Watermarking for Backdoor Attack
College of Computer Science and Technology, Civil Aviation University of China(中国民航大学计算机科学与技术学院);Department of Computer Science, Hong Kong Baptist University(香港浸会大学计算机科学系);IHPC, Agency for Science, Technology and Research, Singapore(新加坡科技研究局高性能计算研究所);CFAR, Agency for Science, Technology and Research, Singapore(新加坡科技研究局CFAR研究所)
针对后门攻击易受数据损坏影响的问题,提出Spy-Watermark方法,通过在图像潜在域嵌入可学习水印并配合抗崩溃操作作为触发器,显著提升了攻击的鲁棒性和隐蔽性。
2024-01-04 cs.CV
Piracy-Resistant DNN Watermarking by Block-Wise Image Transformation with Secret Key
Tokyo Metropolitan University(东京都立大学)
在本文中,我们提出了一种新的DNN水印方法,利用一个可学习的图像变换方法与秘密密钥。该方法通过使用可学习的变换图像在模型中嵌入水印模式,并允许我们远程验证模型的所有权。因此,它是防盗版的,因此原始水印不能被盗版水印覆盖,并且与大多数现有的DNN水印方法不同,添加新水印会降低模型精度。此外,它不需要特殊的预定义训练集或触发集。我们在CIFAR-10数据集上对所提出的方法进行了经验评估。实验结果表明,该算法在保持较高水印检测精度的同时,对微调和剪枝攻击具有较强的抵抗能力。
2021-04-09 cs.CR cs.CV eess.IV
Steganalysis on Digital Watermarking: Is Your Defense Truly Impervious?
National University of Singapore(新加坡国立大学)
本文揭示内容无关图像水印可通过平均多张水印图像被提取并移除,在灰盒、黑盒及多模式场景下验证攻击,并提出内容自适应与多密钥等安全建议。
2024-06-13 cs.CV
Semantic Watermarking Reinvented: Enhancing Robustness and Generation Quality with Fourier Integrity
Dept. of ECE & INMC, Seoul National University, Korea(电子工程系及智能纳米材料中心,首尔国立大学)
针对潜在扩散模型语义水印频率完整性损失问题,提出厄米对称傅里叶水印(SFW)与中心感知嵌入策略,增强鲁棒性与检测精度,同时保持图像质量,达到最先进性能。
2025-09-09 cs.CV
Towards Blind Watermarking: Combining Invertible and Non-invertible Mechanisms
Peking University(北京大学);Bytedance Inc.(字节跳动公司)
盲水印技术为版权保护、图像认证和篡改识别提供了有力的证据。然而,如何设计一个具有高不可感知性和抗强噪声攻击的水印模型仍然是一个挑战。为了解决这个问题,我们提出了一个框架结合可逆和不可逆(CIN)机制。CIN由可逆部分和不可逆部分组成,前者用于实现高不可感知性,后者用于增强对强噪声攻击的鲁棒性。对于可逆部分,我们开发了一个扩散和提取模块(DEM)和一个融合和分裂模块(FSM),以嵌入和提取水印的对称可逆的方式。对于不可逆部分,我们引入了不可逆的基于注意力的模块(NIAM)和噪声特定的选择模块(NSM),以解决在强噪声攻击下的不对称提取。大量的实验表明,我们的框架优于当前国家的最先进的方法的不可见性和鲁棒性显着。在无噪声条件下,我们的框架可以实现平均99.99%的准确率和67.66 dB的PSNR,而96.64%和39.28 dB的强噪声攻击。该代码将在https://github.com/rmpku/CIN上提供。
2022-12-24 cs.CV cs.MM
Seeds Don't Lie: An Adaptive Watermarking Framework for Computer Vision Models
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Fujitsu(富士通)
近年来,人们提出了各种水印方法来检测从其所有者处非法获得的计算机视觉模型,但它们都没有表现出令人满意的鲁棒性抵抗模型窃取攻击。在本文中,我们提出了一个自适应的框架,水印的保护模型,利用模型中存在的独特的行为,由于一个独特的随机种子初始化在模型训练。此水印用于检测提取的模型,这些模型具有相同的独特行为,表明未经授权使用受保护模型的知识产权(IP)。首先,我们展示了作为模型训练一部分的随机数生成的初始种子如何在模型的决策边界中产生不同的特征,这些特征由提取的模型继承并存在于其决策边界中,但不存在于使用不同种子在相同数据集上训练的非提取模型中。基于我们的研究结果,我们建议的鲁棒自适应水印(RAW)框架,它利用独特的行为存在于保护和提取的模型来生成水印密钥集和验证模型。我们证明了该框架对(1)看不见的模型窃取攻击和(2)经过模糊方法(例如,权重修剪)。我们评估了框架对天真攻击者(不知道模型是水印的)和知情攻击者(采用模糊策略从提取的模型中删除水印行为)的鲁棒性,并实现了出色的(即,>0.9)AUC值。最后,我们表明,该框架是强大的模型窃取攻击与不同的结构和/或体系结构比受保护的模型。
2022-11-24 cs.CV
Compositional Adversarial Training for Robust Visual Watermarking
University of Maryland(马里兰大学)
本文提出了一种组合对抗训练(CAT)框架,通过在结构化空间中构建组合转换的min-max问题,提升视觉水印的鲁棒性,实验表明其在多种攻击设置下优于随机增强基线。
2026-05-16 cs.CV cs.LG
WaveMark: Robust Wavelet-Domain Image Watermarking for Diffusion Models
Queen's University(女王大学);Nanjing University(南京大学)
本文提出WaveMark小波域水印方法,将消息嵌入扩散模型初始噪声,通过多维度分布带密钥消息位副本提升鲁棒性,在14种攻击下对SD2.1生成图像的位准确率优于基线,可用于扩散模型生成图像的来源追踪与知识产权保护。
2026-10-12 cs.CR cs.CV
Mesh Watermark Removal Attack and Mitigation: A Novel Perspective of Function Space
Southern University of Science and Technology(南方科技大学);Hong Kong Polytechnic University(香港理工大学)
针对网格水印在不同离散表示下易被移除的问题,提出函数空间攻击方法FuncEvade及防御方法FuncMark,通过在有符号距离函数中嵌入水印实现100%攻击与0.3%被规避率。
2025-01-25 cs.CR cs.CV
Cracking White-box DNN Watermarks via Invariant Neuron Transforms
Fudan University(复旦大学)
近年来,如何保护深度神经网络(DNN)的知识产权(IP)成为人工智能行业的主要关注点。为了打击潜在的模型盗版,最近的工作探索了各种水印策略,以将秘密身份消息嵌入到预测行为或内部(例如,权重和神经元激活)。牺牲更少的功能并涉及关于目标模型的更多知识,水印方案的后一分支(即,白盒模型水印)被声称是准确的、可信的和安全的,可以抵抗大多数已知的水印去除攻击,并且在工业中具有新兴的研究成果和应用。在本文中,我们提出了第一个有效的去除攻击,几乎所有现有的白盒水印方案,可证明没有性能开销,不需要先验知识。通过分析这些IP保护机制在神经元的粒度,我们第一次发现他们共同依赖于一组脆弱的功能,本地神经元组,所有这些都可以被任意篡改我们提出的链不变的神经元变换。在$9$最先进的白盒水印方案和广泛的行业级DNN架构上,我们的攻击首次将受保护模型中的嵌入身份消息减少到几乎随机。同时,与已知的去除攻击,我们的攻击不需要先验知识的训练数据分布或所采用的水印算法,并留下完整的模型功能。
2022-05-19 cs.CR cs.CV cs.LG