基于轨迹的无损版权保护方法
密码学与安全
2026-01-30 v1 计算机视觉与模式识别
摘要
扩散模型的卓越性能使其成为高价值知识产权，但也暴露了其受到未授权复制的风险。现有保护方法要么修改模型以嵌入水印，导致性能受损，要么通过操纵去噪过程提取模型指纹，使其无法与黑盒 API 兼容。本文提出了 TrajPrint，一个完全无损且无需训练的框架，通过提取确定性生成过程中形成的唯一流形指纹来验证模型版权。具体而言，我们首先利用水印图像作为锚点，精确追溯其轨迹 origins，从而有效锁定由该路径映射的模型指纹。随后，我们实施双端锚定的联合优化策略，以合成特定指纹噪声，严格遵循目标流形以实现可靠的水印恢复。作为输入，这使受保护的目标模型能够恢复水印图像，而对非目标模型则失败。最后，我们通过原子推理和统计假设检验实现了验证。大量实验表明，TrajPrint 在黑盒 API 场景下实现无损验证，并在针对模型修改方面表现出优异的鲁棒性。
引用
@article{arxiv.2601.21252,
title = {Lossless Copyright Protection via Intrinsic Model Fingerprinting},
author = {Lingxiao Chen and Liqin Wang and Wei Lu and Xiangyang Luo},
journal= {arXiv preprint arXiv:2601.21252},
year = {2026}
}