Gaussian Shannon: 基于通信的扩散模型高精度水印方法
计算机视觉与模式识别
2026-04-09 v2 密码学与安全
摘要
扩散模型生成高质量图像，但带来版权侵犯和虚假信息等严重风险。水印是追踪和认证 AI 生成内容的关键防御手段。然而，现有方法依赖基于阈值的检测，仅支持模糊匹配，无法精确恢复结构化的水印数据比特，使其不适合离线验证或需要无损元数据（如许可指令）的应用。为解决这一问题，本文提出了 Gaussian Shannon，一个将扩散过程视为噪声通信信道的水印框架，同时支持鲁棒追踪和精确比特恢复。我们的方法在初始高斯噪声中嵌入水印，无需微调或质量损失。我们识别了两种信道干扰，即局部比特翻转和全局随机扰动，并设计了级联防御，结合纠错码和多数投票。这确保了语义载荷的可靠端到端传输。在三个 Stable Diffusion 变体和七种扰动类型上的实验表明，Gaussian Shannon 在保持高真正阳性率的同时达到了最先进的比特级精度，实现了真实部署中的可信权利归属。源代码已发布于：https://github.com/Rambo-Yi/Gaussian-Shannon
引用
@article{arxiv.2603.26167,
title = {Gaussian Shannon: High-Precision Diffusion Model Watermarking Based on Communication},
author = {Yi Zhang and Hongbo Huang and Liang-Jie Zhang},
journal= {arXiv preprint arXiv:2603.26167},
year = {2026}
}
备注
Accepted by CVPR 2026 Findings