高斯香农：基于通信的高精度扩散模型水印

扩散模型可以生成高质量的图像，但会带来严重的风险，例如侵犯版权和虚假信息。水印是追踪和验证人工智能生成内容的关键防御措施。然而，现有方法依赖于基于阈值的检测，仅支持模糊匹配，无法精确恢复结构化水印数据，这使得它们不适合离线验证或需要无损元数据（例如许可指令）的应用。为了解决这个问题，在本文中，我们提出了高斯香农（Gaussian Shannon），这是一种水印框架，它将扩散过程视为噪声通信通道，并实现稳健的跟踪和精确的位恢复。我们的方法将水印嵌入到初始高斯噪声中，而不会出现 微调 或质量损失。我们识别了两种类型的信道干扰，即局部比特翻转和全局随机失真，并设计了结合纠错码和多数投票的级联防御。这确保了语义有效负载的可靠的端到端传输。三种稳定扩散变体和七种扰动类型的实验表明，高斯香农在保持高真阳性率的同时实现了最先进的位级精度，从而在现实世界的部署中实现了值得信赖的权利归属。源代码已提供：https://github.com/Rambo-Yi/Gaussian-Shannon