扩散模型与自回归图像生成模型中的放射性水印
机器学习
2025-07-01 v1 计算机视觉与模式识别
摘要
图像生成模型日益流行，但训练它们需要大规模数据集，这些数据集成本高昂且需要精心策划。为规避这些成本，一些方可能通过利用现有模型的生成图像来训练自身模型。一般而言，水印是检测生成图像未经授权使用的有价值工具。然而，当这些图像被用于训练新模型时，水印只能在水印通过训练并保留在新训练模型输出中时才可被识别——即具备“放射性”这一属性。我们分析了扩散模型（DMs）和图像自回归模型（IARs）中水印的放射性。我们发现，现有 DMs 的水印方法未能保留放射性，原因在于水印在编码进入潜空间时被擦除，或在潜空间中的加噪-去噪过程中丢失。与此同时，尽管 IARs 最近在图像生成质量和效率方面超过了 DMs，但尚未提出针对它们的放射性水印方法。为克服这一限制，我们提出了首个针对 IARs 且注重放射性的水印方法——借鉴了大语言模型（LLMs）中技术手段，这些模型与 IARs 共享自回归范式。我们的广泛实验评估突显了该方法在保持 IARs 放射性方面的有效性，使其能够实现对生成图像的健全来源追踪，并防止未经授权的使用。
引用
@article{arxiv.2506.23731,
title = {Radioactive Watermarks in Diffusion and Autoregressive Image Generative Models},
author = {Michel Meintz and Jan Dubiński and Franziska Boenisch and Adam Dziedzic},
journal= {arXiv preprint arXiv:2506.23731},
year = {2025}
}