语义水印重塑：利用傅里叶完整性增强鲁棒性与生成质量
计算机视觉与模式识别
2025-09-10 v1
摘要
针对潜在扩散模型 (LDM) 的语义水印技术对再生攻击具有鲁棒性，但常因频率完整性丧失而导致检测性能下降。为解决此问题，我们提出了一种名为厄米特对称傅里叶水印 (SFW) 的新型嵌入方法，该方法通过强制厄米特对称性来保持频率完整性。此外，我们引入了一种中心感知嵌入策略，通过确保鲁棒的信息保留来降低语义水印因裁剪攻击而产生的脆弱性。为验证我们的方法，我们将这些技术应用于现有的语义水印方案，增强其频域结构以获得更好的鲁棒性和检索精度。大量实验表明，我们的方法实现了最先进的验证和识别性能，在各种攻击场景下超越了先前的方法。消融研究证实了 SFW 对检测能力的影响、中心感知嵌入对抗裁剪的有效性，以及消息容量如何影响识别精度。值得注意的是，我们的方法实现了最高的检测精度，同时保持了卓越的图像保真度，这由 FID 和 CLIP 分数所证明。总之，我们提出的 SFW 被证明是一个有效的框架，用于平衡鲁棒性和图像保真度，解决了语义水印中固有的权衡问题。代码可在 https://github.com/thomas11809/SFWMark 获取。
引用
@article{arxiv.2509.07647,
title = {Semantic Watermarking Reinvented: Enhancing Robustness and Generation Quality with Fourier Integrity},
author = {Sung Ju Lee and Nam Ik Cho},
journal= {arXiv preprint arXiv:2509.07647},
year = {2025}
}
备注
Accepted to the IEEE/CVF International Conference on Computer Vision (ICCV) 2025. Project page: https://thomas11809.github.io/SFWMark/ Code: https://github.com/thomas11809/SFWMark