BiSLW：生成扩散模型的双光谱潜在水印

基于扩散的生成模型已经改变了视觉内容合成，但它们仍然容易受到未经授权的使用，并且缺乏可靠的归因方法。现有的水印技术通常将潜在张量视为静态空间特征图或依赖于像素域修改，并且大多数技术没有明确利用潜在空间的内部频率结构进行双频带冗余嵌入，从而使它们容易受到扩散和再生攻击的随机性的影响。我们引入了 BiSLW，一种可训练的双谱潜在水印框架，它使用学习的编码器和解码器在解码扩散潜在的互补频谱带上联合嵌入对齐的身份信号，超越了固定模式频率方法。我们利用扩散潜伏的固有频率结构来设计双频带水印框架。低频分量编码全局语义，而高频分量捕获精细纹理。我们利用这种结构在互补光谱带中嵌入水印。水印通过学习编码器独立注入两个频带，并在解码前重新组合，确保它成为生成轨迹的固有特征。双频谱解码器从每个频段恢复水印，而跨频段一致性约束则强制语义和纹理嵌入之间的对齐。实验表明，BiSLW 在感知保真度和鲁棒性之间实现了强有力的平衡，与之前的潜在扩散水印方法相比，PSNR 提高了 3 dB 以上，同时在积极的再生和常见失真下保持了近乎完美的比特精度，所有这些计算开销都可以忽略不计。