T2SMark：在噪声水印中平衡扩散模型的鲁棒性与多样性
计算机视觉与模式识别
2025-10-28 v1 人工智能
摘要
近年来扩散模型取得了快速进展，不仅产生高保真图像，还引发了对知识产权保护及生成式AI滥用问题的担忧。针对扩散模型的图像水印，尤其是噪声水印(NaW)方法，将水印编码为特定标准高斯噪声向量，用于图像生成，将信息无缝嵌入同时保持图像质量。检测时，通过逆转生成过程恢复初始噪声向量（包含水印）进行提取。然而，现有NaW方法在水印鲁棒性与生成多样性之间难以平衡：部分方法通过严格限制初始噪声采样实现强鲁棒性，牺牲用户体验；另一些方法保留多样性但对实际部署过于脆弱。为此，我们提出T2SMark，一种基于尾部截断采样(TTS)的两阶段水印方案。不同于先前方法仅将比特映射为正负值，TTS通过仅在可靠尾部区域嵌入比特，随机采样中心区域以保持潜在分布，从而增强鲁棒性。我们的两阶段框架进一步通过整合随机生成的会话密钥，确保加密管道中的采样多样性。我们在U-Net和DiT backbone的扩散模型上评估了T2SMark。大量实验表明，其在鲁棒性与多样性之间实现了最佳平衡。我们的代码已公开 \href{https://github.com/0xD009/T2SMark}{https://github.com/0xD009/T2SMark}。
引用
@article{arxiv.2510.22366,
title = {T2SMark: Balancing Robustness and Diversity in Noise-as-Watermark for Diffusion Models},
author = {Jindong Yang and Han Fang and Weiming Zhang and Nenghai Yu and Kejiang Chen},
journal= {arXiv preprint arXiv:2510.22366},
year = {2025}
}
备注
Accepted by NeurIPS 2025