MaXsive：扩散模型中高容量且鲁棒的无训练生成图像水印
密码学与安全
2025-07-30 v1 人工智能
多媒体
摘要
扩散模型在图像合成方面的卓越成功促成了大型商业模型的发布，引发了关于版权保护和不当内容生成的议题。训练免费的扩散模型水印提供了一种低成本解决方案。然而，现有方法对旋转、缩放和平移（RST）攻击十分脆弱。虽然某些方法采用精心设计的图案来缓解此问题，但往往会降低水印容量，导致身份（ID）串通问题。为此，我们提出MaXsive，一种具有高容量和鲁棒性的训练免费扩散模型生成水印技术。MaXsive最佳地利用初始噪声进行水印嵌入。此外，与使用反复的环形图案不同，我们提出将X形模板注入，以恢复RST畸变。该设计在不损失任何容量的前提下显著提升了鲁棒性，降低了ID串通的可能性。MaXsive的有效性已在两个著名水印基准测试中验证，适用于验证和识别场景。
引用
@article{arxiv.2507.21195,
title = {MaXsive: High-Capacity and Robust Training-Free Generative Image Watermarking in Diffusion Models},
author = {Po-Yuan Mao and Cheng-Chang Tsai and Chun-Shien Lu},
journal= {arXiv preprint arXiv:2507.21195},
year = {2025}
}