CycleGANWM：一种用于所有权验证的 CycleGAN 水印方法

由于深度神经网络（DNN）的激增和广泛使用，其知识产权（IPR）保护变得日益重要。本文提出了一种针对无监督图像到图像翻译（I2IT）网络 CycleGAN 的新型模型水印方法，该方法利用了图像翻译视觉质量与水印嵌入。在此方法中，首先训练一个水印解码器。然后冻结该解码器，并在训练 CycleGAN 水印模型时用于提取水印比特。CycleGAN 水印（CycleGANWM）以特定的损失函数进行训练，并优化以在 I2IT 任务和水印嵌入上均获得良好性能。对于水印验证，本工作使用统计显著性检验从提取的水印比特中识别模型的所有权。我们评估了模型对图像后处理的鲁棒性，并通过在提取水印比特前对输出图像添加数据增强来微调模型从而加以改进。我们还在模型的黑盒访问下实施了替代模型攻击。实验结果证明，所提方法有效且对部分图像后处理具有鲁棒性，并能够抵御替代模型攻击。