NoisePrints：用于私有扩散模型中作者身份的无失真水印
计算机视觉与模式识别
2026-04-15 v2 密码学与安全
机器学习
摘要
随着扩散模型在视觉内容生成中的快速普及，证明作者身份和保护版权已成为关键挑战。特别是在模型所有者保持模型私有且可能不愿或无法处理作者身份问题时，第三方验证尤为重要。自然的解决方案是嵌入用于后续验证的水印。然而，现有方法需要访问模型权重并依赖计算密集型程序，因而不实用且不可扩展。为解决这些挑战，我们提出了 NoisePrints，这是一种轻量级水印方案，利用用于初始化扩散过程的随机种子作为作者身份证明，而无需修改生成过程。我们的关键观察是，源自种子的初始噪声与生成的视觉内容高度相关。通过将哈希函数纳入噪声采样过程中，我们进一步确保从内容中恢复有效种子不可行。我们还展示了采样替代种子以通过验证是不可行的，并在 various 操作下证明了该方法的鲁棒性。最后，我们展示了如何使用密码学零知识证明在不透露种子的情况下证明所有权。通过保持种子保密，我们增加了水印移除的难度。在实验中，我们在多个最先进的图像和视频扩散模型上验证了 NoisePrints，证明仅使用种子和输出即可进行高效验证，而无需访问模型权重。
引用
@article{arxiv.2510.13793,
title = {NoisePrints: Distortion-Free Watermarks for Authorship in Private Diffusion Models},
author = {Nir Goren and Oren Katzir and Abhinav Nakarmi and Eyal Ronen and Mahmood Sharif and Or Patashnik},
journal= {arXiv preprint arXiv:2510.13793},
year = {2026}
}
备注
code available at: https://github.com/nirgoren/NoisePrints