论文
DeepFreqMark：端到端可学习频域水印，具有潜在扩散模型的球形攻击模拟
DeepFreqMark: End-To-End Learnable Frequency-Domain Watermarking with Spherical Attack Simulation for Latent Diffusion Models
摘要
潜在扩散模型 (LDM) 生成的人工智能生成图像的激增引起了人们对版权侵权和错误信息的严重担忧。尽管现有的频域水印方法在生成之前将手工制作的几何图案嵌入到初始潜在噪声中，但它们受到容量有限和严格的图案设计的影响。我们提出了 DeepFreqMark，一种端到端可学习频域水印框架，用神经消息编码器和解码器取代手动模式工程。为了规避训练过程中降噪扩散隐式模型（DDIM）反演造成的计算瓶颈，我们引入了基于球面线性插值（Slerp）的攻击模拟。这种方法直接对潜在噪声进行操作，同时严格保留高斯方差。大量实验表明，在实际攻击下，DeepFreqMark 的误码率 (BER) 明显低于基准方法，并且可扩展到 256 位消息容量。我们的源代码可在 https://github.com/chenhsiu48/DeepFreqMark 获取。