SAT-LDM：面向潜在扩散模型的自增强训练图像水印，具证明通用性

AI 生成图像的快速普及使得有效水印技术成为必要，以保护知识产权并检测欺诈内容。虽然现有的基于训练的水印方法显示出前景，但它们往往在 diverse prompts 之间难以普遍化，并容易引入可见 artifact。为此，我们提出了一种 novel、具证明通用性的图像水印方法，用于潜在扩散模型，称为自增强训练（SAT-LDM）。我们的方法通过 free generation distribution 对齐训练和测试阶段，从而增强水印模块的通用性。我们通过理论证明 SAT-LDM，证明 free generation distribution 有助于其紧致的通用界限，无需额外数据收集。大量实验表明，SAT-LDM 不仅实现了稳健的水印，还在广泛的 prompts 上显著提高了水印图像的质量。此外，我们的实验分析确认了 SAT-LDM 的强大通用性。我们希望我们的 метод 提供一种实用且高效的解决方案，用于保护高保真 AI 生成内容。