SHIFT：用于去除基于扩散的水印的随机隐藏轨迹偏转

基于扩散的水印方法通过操纵初始噪声或反向扩散轨迹来嵌入可验证的标记。然而，这些方法都有一个关键假设：只有能够忠实地重建扩散轨迹，验证才能成功。这种对轨迹恢复的依赖构成了一个基本且可利用的漏洞。我们提出 随机隐藏轨迹偏转方法SHIFT，这是一种 无需训练 攻击，它利用了不同水印范例中的这一常见弱点。 SHIFT 利用随机扩散重采样来偏转潜在空间中的生成轨迹，使重建图像与原始水印嵌入轨迹在统计上解耦，同时保持强大的视觉质量和语义一致性。对跨越噪声空间、频域和基于优化的范式的九种代表性水印方法进行的广泛实验表明，SHIFT 实现了 95%--100% 的攻击成功率，几乎没有语义质量损失，不需要任何水印特定知识或模型重新训练。