Generative Model Watermarking Suppressing High-Frequency Artifacts
针对生成模型水印会在图像高频区域引入明显伪影、损害不可感知性并降低系统安全性的问题,本文提出一种采用抗锯齿低通滤波、联合损失优化和对抗训练的新型水印嵌入框架,可在保持模型原始性能的同时提升水印的不可感知性与鲁棒性。
2023-05-21 cs.CR
VocBulwark: Towards Practical Generative Speech Watermarking via Additional-Parameter Injection
East China Normal University(华东师范大学);Huaqiao University(华侨大学)
VocBulwark通过附加参数注入技术,实现高保真度和高容量的生成语音水印,有效提升对复杂攻击的鲁棒性。
2026-01-30 cs.CR
Towards Generalized and Stealthy Watermarking for Generative Code Models
针对生成式代码模型后门水印泛化能力有限且隐蔽性不足的问题,提出结合注意力机制与分布式触发器嵌入的新型水印方法 CodeGuard,在代码摘要与生成任务中实现 100% 验证率且隐蔽性显著优于基线。
2025-06-29 cs.CR
Image Watermarking of Generative Diffusion Models
针对扩散模型水印易被检测和移除的问题,提出将水印特征嵌入模型并端到端训练配对提取器,实现不可感知水印的高精度嵌入、检测与模型区分。
2025-02-12 cs.CR eess.IV
Robustness of Watermarking on Text-to-Image Diffusion Models
该研究针对文本到图像扩散模型的生成式水印鲁棒性展开,提出三种无解码器访问下的攻击方法,发现其易受恶意微调攻击,并通过消融实验明确了影响攻击性能的关键因素。
2024-11-04 cs.CR
Removing the Watermark Is Not Enough: Forensic Stealth in Generative-AI Watermark Removal
George Mason University(乔治梅森大学)
研究指出当前水印去除方法无法同时满足水印逃避、图像实用性保持和取证隐秘性,需重新设计评估标准。
2026-08-31 cs.CR
SiGRRW: A Single-Watermark Robust Reversible Watermarking Framework with Guiding Strategy
University of Science and Technology of China(中国科学技术大学)
SiGRRW提出了一种单水印鲁棒可逆水印框架,通过引导策略提升图像的不可察觉性和鲁棒性,同时保持无损恢复和高容量。
2026-02-22 cs.CR
Vanishing Watermarks: Diffusion-Based Image Editing Undermines Robust Invisible Watermarking
Xidian University(西安电子科技大学)
本文揭示基于扩散模型的图像编辑可有效消除鲁棒隐形水印,挑战现有水印技术的鲁棒性,需发展新策略应对生成模型带来的威胁。
2026-02-24 cs.CR
Generative Model Watermarking Based on Human Visual System
Shanghai University(上海大学);Tencent Inc.(腾讯公司)
深度神经网络的知识产权保护正受到越来越多研究者的关注,最新研究将模型水印应用于生成模型,用于图像处理。然而,现有的生成模型水印算法没有考虑不同通道的样本图像对水印的影响。因此,水印性能仍然受到限制。为了解决这个问题,本文首先分析了在不同信道上嵌入水印信息的效果。然后,根据人类视觉系统(HVS)的特点,介绍了两种基于HVS的生成模型水印方法,分别在RGB颜色空间和YUV颜色空间实现。在RGB颜色空间中,基于HVS对G通道更敏感的事实,将水印嵌入到R和B通道中。在YUV颜色空间中,利用人眼视觉系统对亮度变化比较敏感的特点,将水印嵌入到U和V通道的DCT域中。实验结果证明了该方法的有效性,与已有方法相比,提高了待保护模型的保真度,具有较好的通用性。
2022-09-30 cs.CR cs.CV
GenPTW: Latent Image Watermarking for Provenance Tracing and Tamper Localization
College of Computer Science and Artificial Intelligence, Fudan University(复旦大学计算机科学技术学院);Ant Group(蚂蚁集团)
GenPTW提出了一种通用隐式图像水印框架,通过结合潜在空间中的交叉注意力融合和空间融合机制,实现精确的溯源追踪和篡改定位,同时保持高视觉保真度和鲁棒性。
2026-01-21 cs.CR
High-frequency Matters: An Overwriting Attack and defense for Image-processing Neural Network Watermarking
近年来,模型水印技术取得了重大进展。然而,图像处理神经网络的保护仍然是一个挑战,只有有限数量的方法正在开发。这些技术的目的是在目标生成网络的输出图像中嵌入水印,使得水印信号可以在通过模型窃取攻击获得的代理模型的输出中被检测到。然而,这种有前途的技术有一定的局限性。频域分析表明,水印信号主要隐藏在输出的高频分量中。因此,我们提出了一个水印攻击,涉及伪造另一个水印的生成网络的输出。实验结果表明,这种攻击在破坏现有的图像处理网络水印方案的有效性,几乎100%的成功率。为了应对这种攻击,我们设计了一个对抗性的水印网络框架。该框架采用了一个专门设计的对抗性训练步骤,其中水印网络被训练以防御水印网络,从而增强其鲁棒性。此外,我们观察到一个过拟合现象,在现有的水印方法,这可能会使它无效。为了解决这个问题,我们修改了训练过程,以消除过拟合问题。
2023-02-17 cs.CR
Attribute-based Undetectable Watermarking for Generative AI Models
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学);University of Washington(华盛顿大学)
针对生成式AI水印中检测密钥滥用的问题,提出首个基于属性的生成式AI水印方案,实现策略控制的细粒度检测,经原型验证兼具有效性与实用性。
2026-08-05 cs.AI cs.CR
Watermarking Generative Categorical Data
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出一种生成式分类数据水印的新型统计框架,通过拆分并修改数据分布在分布层面嵌入秘密信号,并利用插入逆算法与总变差距离进行验证,特别适合现代合成数据生成范式。
2024-11-16 cs.CR cs.LG
Learning to Watermark in the Latent Space of Generative Models
Meta FAIR;ETH Zurich(苏黎世联邦理工学院)
本研究提出DistSeal,一种在生成模型潜在空间中实现高效且鲁棒的水印方法,通过蒸馏提升性能,比像素空间方法更高效。
2026-01-22 cs.AI cs.CR cs.CV
On-Device Watermarking: A Socio-Technical Imperative For Authenticity In The Age of Generative AI
Kensho Technologies
本文主张放弃对AI生成内容加水印,改为在硬件层对可信内容进行加密签名认证,并提出社会技术框架,认为该路径更可行,AI水印研究应聚焦文本与LLM领域。
2025-04-15 cs.AI cs.CR
DiffuseTrace: A Transparent and Flexible Watermarking Scheme for Latent Diffusion Model
本文提出DiffuseTrace,一种无需微调的潜在扩散模型水印方案,通过语义嵌入多比特水印,在8种图像处理和3种生成水印攻击下保持99%检测率和94%归属准确率。
2025-05-30 cs.AI cs.CR
Set-Membership Inference Attacks using Data Watermarking
Ruhr University(鲁尔大学)
本文提出了一种利用深度图像水印技术对生成模型进行集合隶属推断攻击的方法,通过条件采样揭示训练数据中的水印,有效检测图像数据的非同意使用。
2023-06-22 cs.CR cs.CV cs.LG
Watermarking across Modalities for Content Tracing and Generative AI
Centre Inria de l’Université de Rennes(雷恩大学法国国家信息与自动化研究所中心);Meta;Fundamental AI Research Lab (FAIR)(基础人工智能研究实验室)
本论文针对生成式AI内容追踪与模型监控需求,提出跨图像、音频和文本的水印技术,包括潜在生成模型水印、语音水印检测、大语言模型低假阳性水印及Transformer权重免训练水印,为内容审核和模型滥用检测提供解决方案。
2025-02-04 cs.AI cs.CR cs.LG
Attributable-Watermarking of Speech Generative Models
Arizona State University(亚利桑那州立大学)
生成模型现在能够合成图像,语音和视频,这些内容几乎无法与真实内容区分开来。这些功能引起了诸如恶意模仿和IP盗窃之类的担忧。本文研究了模型属性的解决方案,即,通过嵌入在内容中的水印,根据合成内容的源模型对合成内容进行分类。基于过去在图像领域模型归因的成功,我们讨论了生成用户端语音模型的算法改进,这些模型在保持高生成质量的同时,凭经验实现了高归因准确性。我们显示的属性和生成质量之间的权衡下产生的语音信号试图删除水印的各种攻击,和学习强大的水印对这些攻击的可行性。
2022-03-15 cs.CR cs.SD eess.AS
An Undetectable Watermark for Generative Image Models
UC Berkeley(加州大学伯克利分校)
提出首个不可检测的生成图像水印方案,利用伪随机纠错码选择扩散模型初始潜变量,保证质量不降且鲁棒,可编码512至2500位。
2025-04-21 cs.AI cs.CR cs.LG
Invisible Image Watermarks Are Provably Removable Using Generative AI
UC Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学);UC Santa Barbara(加州大学圣巴巴拉分校);UC San Diego(加州大学圣迭戈分校)
本研究提出基于生成式AI的再生攻击方法,证明像素级不可见图像水印可被有效去除,同时指出语义保留型水印可作为替代防御方向,推动水印研究与产业重点转向。
2024-10-31 cs.AI cs.CR cs.CV
MarkDiffusion: An Open-Source Toolkit for Generative Watermarking of Latent Diffusion Models
Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学);The Chinese University of Hong Kong(香港中文大学);University of Illinois at Chicago(伊利诺伊大学香槟分校);The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
MarkDiffusion是一个开源Python工具包,通过统一框架、可视化套件和综合评估模块(含24种工具和8条流水线),支持潜在扩散模型的生成式水印研究与应用。
2025-10-16 cs.AI cs.CR cs.MM
FoldMark: Protecting Protein Generative Models with Watermarking
Princeton University(普林斯顿大学);Zhejiang University(浙江大学);Tsinghua University(清华大学);Stanford University(斯坦福大学);Harvard Medical School(哈佛医学院)
针对蛋白质生成模型的版权与生物安全挑战,提出两阶段通用水印方法FoldMark,通过预训练水印编解码器与结合LoRA微调模型,在不影响结构质量且抵御攻击的前提下,实现高恢复率的水印嵌入与版权追踪。
2024-11-12 cs.CR cs.LG q-bio.BM
MARCO: The Radioactive Watermark for Protein Generative Models
Faculty of Data Science, City University of Macau(澳门城市大学数据科学学院);CSIRO(澳大利亚联邦科学与工业研究组织);Responsible AI Research (RAIR) Centre, Adelaide University(阿德莱德大学负责任人工智能研究(RAIR)中心)
针对蛋白质生成模型的双重用途风险,提出首个放射性水印框架MARCO,通过双层防御在扩散过程中嵌入水印,实现知识产权保护和生物安全溯源,并验证了水印可转移性。
2026-10-07 cs.AI cs.CR
Poster: On the Feasibility of Training Neural Networks with Visibly Watermarked Dataset
随着机器学习对共享数据的需求不断增加,数据所有者要求所有权的关注也越来越多。可见水印技术是一种有效的视觉数据所有权保护方法,但由于水印中的视觉信息丢失以及攻击者去除水印的可能性,可见水印图像不能作为学习视觉识别模型的主要来源。为了使水印图像更适合机器学习,去除风险更小,我们提出了DeepStamp,一个水印框架,给定水印图像和经过训练的图像分类网络,学习合成人类可感知的水印图像,对删除鲁棒,并且能够用作训练图像进行分类,精度损失最小。为了实现这一目标,我们采用了生成式多对抗网络(GMAN)。在CIFAR10的实验中,我们证明了DeepStamp可以学习将水印嵌入到每个图像中,并且水印图像可以用于训练网络。
2019-06-04 cs.CR
On the Information-Theoretic Fragility of Robust Watermarking under Diffusion Editing
Xidian University(西安电子科技大学)
本文针对扩散编辑对鲁棒水印的威胁展开研究,从信息论角度证明迭代扩散变换会使水印互信息趋近于零,提出引导扩散攻击算法可在保持图像视觉保真度的同时将水印恢复率降至近零,并给出未来水印设计指引。
2025-11-14 cs.CR
TriniMark: A Robust Generative Speech Watermarking Method for Trinity-Level Traceability
Huaqiao University(华侨大学);East China Normal University(华东师范大学);Shenzhen University(深圳大学);French National Institute of Health and Medical Research(法国国家健康与医学研究院)
TriniMark是一种基于扩散的生成语音水印方法,实现内容、模型和用户三级可追溯性,通过轻量编码器和时间感知解码器增强水印鲁棒性,支持大规模可追溯应用。
2026-02-15 cs.CR cs.MM cs.SD
Diffusion-Based Image Editing: An Unforeseen Adversary to Robust Invisible Watermarks
Xidian Univerisity(西安电子科技大学)
本文从理论和实验上证明扩散图像编辑可破坏现有鲁棒不可见水印,并提出扩散驱动攻击与引导扩散攻击,在多个水印方案上使解码准确率降至近零,揭示生成式AI时代水印的根本脆弱性。
2025-11-05 cs.CR eess.IV
MaXsive: High-Capacity and Robust Training-Free Generative Image Watermarking in Diffusion Models
IIS, Academia Sinica(中国台湾“中央研究院”资讯研究所)
针对现有免训练扩散水印抗RST攻击能力弱、容量低易引发ID合谋的问题,提出高容量鲁棒的免训练生成式水印方法MaXsive,通过初始噪声嵌入水印与X形模板抗失真,在两个基准的验证与识别场景下验证了有效性。
2025-07-28 cs.AI cs.CR cs.MM
SKeDA: A Generative Watermarking Framework for Text-to-video Diffusion Models
School of Electronic and Information Engineering, Anhui University(安徽大学电子与信息工程学院);Anhui Province Key Laboratory of Digital Security and the CAS Key Laboratory of Electromagnetic Space Information, University of Science and Technology of China(安徽省数字安全重点实验室和中国科学院电磁空间信息重点实验室,中国科学技术大学);School of Computing, National University of Singapore(新加坡国立大学计算机学院)
SKeDA是一种专为文本到视频扩散模型设计的生成水印框架,通过分布保持采样和差分注意机制提升水印的鲁棒性和可靠性。
2026-02-27 cs.AI cs.CR cs.CV
The Orthogonal Vulnerabilities of Generative AI Watermarks: A Comparative Empirical Benchmark of Spatial and Latent Provenance
本研究通过实证分析揭示生成AI空间域和潜在域水印的正交漏洞,证明单域水印无法应对现代对抗工具,凸显数字溯源标准的系统性缺陷。
2026-03-12 cs.CR cs.CV
DRIFT: Removing Diffusion Watermarks by Deflecting the Generative Trajectory
University of New South Wales(新南威尔士大学);Griffith University(格里菲斯大学)
DRIFT通过结合部分前向扩散与随机反向重采样偏转生成轨迹,以黑盒方式去除扩散水印,在九种水印上实现98-100%攻击成功率并保持最佳图像质量。
2026-09-09 cs.CR cs.LG
MusicMark: A Robust Generative Watermarking Framework for Music Generation
Korea University(韩国大学);Inha University(仁荷大学)
针对人工智能音乐生成中水印溯源问题,现有方法多为事后处理且易受攻击。本文提出MusicMark,在生成时将水印嵌入语义潜在空间,通过水印适配器和联合目标训练,实验证明其在多种攻击下优于基线,翻唱攻击中也更具鲁棒性。
2026-07-14 cs.AI cs.CR 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
Copyright Protection and Accountability of Generative AI:Attack, Watermarking and Attribution
University of New South Wales(新南威尔士大学);The Australian National University(澳大利亚国立大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61研究所)
生成式人工智能(例如,生成对抗网络(Generative Adversarial Networks,简称GANs)近年来越来越受欢迎。然而,生成式人工智能引入了对知识产权(IPR)保护的重大关切(分别为:模型责任)有关的图像(分别有毒图像)和模型(分别中毒模型)生成。在本文中,我们提出了一个评估框架,以全面概述GANs的版权保护措施的现状,评估它们在各种GAN架构中的性能,并确定影响其性能的因素和未来的研究方向。我们的研究结果表明,目前的输入图像,模型水印和属性网络的知识产权保护方法在很大程度上是令人满意的广泛的GANs。我们强调,必须进一步关注保护训练集,因为目前的方法无法提供强大的知识产权保护和对训练集的出处追踪。
2023-03-15 cs.CR cs.LG cs.MM
DiffusionShield: A Watermark for Copyright Protection against Generative Diffusion Models
Michigan State University(密歇根州立大学);Lehigh University(里海大学)
本文提出 DiffusionShield 水印方案,通过可被扩散模型学习并复现的不可感知水印追踪生成图像侵权,实现低失真、高检测率和长消息嵌入。
2024-05-10 cs.CR cs.CV cs.LG
Watermarks in the Sand: Impossibility of Strong Watermarking for Generative Models
Harvard University(哈佛大学);George Mason University(乔治·马歇尔大学);Sapienza University of Rome(罗马大学)
本文证明了在自然假设下生成式模型的强水印方案无法实现,提出了一种仅需质量预言机和扰动预言机的通用高效攻击,并成功移除了三种大语言模型水印且仅导致轻微质量下降。
2025-05-27 cs.CL cs.CR cs.LG
Mitigating Watermark Forgery in Generative Models via Randomized Key Selection
MBZUAI;A*STAR;MSU;Duke
本文提出一种随机化键选择的水印防御方法,通过仅接受恰好一个键检测到水印的内容,证明其在不增加计算开销的情况下有效降低伪造攻击的成功率。
2026-10-05 cs.AI cs.CR cs.LG
The Coding Limits of Robust Watermarking for Generative Models
Royal Holloway, University of London, Egham, UK(皇家霍洛威大学,伦敦大学,埃格姆,英国)
研究生成模型加密水印的可靠性极限,提出零位篡改检测码模型,证明在独立符号篡改下,当篡改率超过1-1/q时无法可靠检测篡改,且通过实验验证该理论极限。
2026-05-02 cs.AI cs.CR
DICTION:DynamIC robusT whIte bOx watermarkiNg scheme for deep neural networks
该研究提出白盒DNN水印统一框架,基于此设计出采用GAN策略的动态鲁棒白盒水印方案DICTION,实验证明其在水印容量、模型准确率保留及抗攻击鲁棒性上均优于现有方案DeepSigns。
2025-05-19 cs.CR
"Training robust watermarking model may hurt authentication!'' Exploring and Mitigating the Identity Leakage in Robust Watermarking
Zhejiang University(浙江大学);Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security(杭州高新技术产业开发区(滨江)区块链与数据安全研究所);Tongyi Lab, Alibaba Group(阿里巴巴集团通义实验室);University of Connecticut(康涅狄格大学)
本文提出W-IR框架,通过引入随机平滑技术与残差信息损失策略,平衡鲁棒性和身份泄露缓解,提升水印认证的可靠性。
2026-05-10 cs.CR
Robust Watermarking Using Generative Priors Against Image Editing: From Benchmarking to Advances
Nanyang Technological University(南洋理工大学);ETH Zürich(苏黎世联邦理工学院)
本文构建涵盖多类图像编辑的 W-Bench 水印鲁棒性基准,并提出基于模糊替代攻击与 SDXL-Turbo 适配的 VINE 水印方法,在图像质量和抗编辑鲁棒性上优于现有方法。
2025-03-15 cs.AI cs.CR cs.CV
REMARK-LLM: A Robust and Efficient Watermarking Framework for Generative Large Language Models
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出 REMARK-LLM 水印框架,通过学习式编码、重参数化、签名解码与优化 beam search,在保持语义完整性的同时提升水印容量、迁移性和抗攻击能力。
2024-04-08 cs.CL cs.CR
Generative Watermarking Against Unauthorized Subject-Driven Image Synthesis
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Xi’an Jiaotong University(西安交通大学)
针对主体驱动图像合成滥用侵犯权益的问题,提出联合学习生成器与检测器的GenWatermark水印系统,通过合成图像微调检测器提升水印存活率与检测准确率,兼具效用保护与鲁棒性。
2023-06-13 cs.CR cs.CV
Secure and Efficient Watermarking for Latent Diffusion Models in Model Distribution Scenarios
Beijing Institute of Technology(北京理工大学);School of Information Engineering, Minzu University of China(中央民族大学信息工程学院);School of Computer Science, The University of Adelaide(阿德莱德大学计算机学院)
针对潜在扩散模型分发中的水印泄露、逃逸与攻击问题,提出解耦式安全水印注入和基于水印分发的验证策略,在十种攻击下优于六个基线。
2025-02-18 cs.AI cs.CR
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
SOLIDO: A Robust Watermarking Method for Speech Synthesis via Low-Rank Adaptation
Xiamen Key Laboratory of Data Security and Blockchain Technology(厦门市数据安全与区块链技术重点实验室)
针对语音生成模型的安全问题,本文提出SOLIDO,一种基于低秩适配的生成式水印方法,结合参数高效微调与深度可分离卷积解码器,实现高容量、高鲁棒的水印嵌入与提取。
2025-04-21 cs.AI cs.CR cs.SD
OptMark: Robust Multi-bit Diffusion Watermarking via Inference Time Optimization
针对扩散图像多比特水印容量与鲁棒性不足的问题,OptMark 在去噪过程中分阶段嵌入结构与细节水印,并利用伴随梯度将优化内存降至 O(1)。
2025-08-29 cs.AI cs.CR
Watermarking Large Language Models and the Generated Content: Opportunities and Challenges
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文综述 LLM 模型及其生成内容的水印技术,分析攻击韧性、领域应用与硬件加速,并指出局限与未来方向。
2024-10-24 cs.CL cs.CR
Generative Models are Self-Watermarked: Declaring Model Authentication through Re-Generation
University of Melbourne(墨尔本大学);University College London(伦敦大学学院);Macquarie University(麦考瑞大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出通过再生成检测生成模型输出中天然存在的潜在指纹,实现数据所有权归属验证,并通过迭代再生成放大指纹,在文本和图像生成模型上验证了方法的可行性与鲁棒性。
2024-02-23 cs.AI cs.CR cs.LG
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
Secure Seed-Based Multi-bit Watermarking for Diffusion Models from First Principles
Inria Rennes(法国里昂国家信息与自动化研究所)
本文提出基于原理的水印方法,通过理论分析建立安全、鲁棒性和保真度的评估框架,实现无需依赖生成模型的水印系统设计。
2026-05-07 cs.CR cs.CV
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
Learning to Watermark Speech Synthesis Against Model-Driven Reconstruction
East China Normal University(华东师范大学);Huaqiao University(华侨大学)
针对TTS合成语音在重建攻击下溯源难的问题,提出Thrive多比特生成式水印框架,通过同步注入与逐位可靠性选择,在保持保真度下实现87.6%恢复准确率及万级身份归属。
2026-10-06 cs.CR cs.SD