一个提示就足够了：通过基础图像模型洗水印

不可见水印通常根据预定义的扰动（例如压缩、模糊、噪声、裁剪和去噪）进行评估。公共基础图像模型暴露了一个明显的威胁：攻击者可以通过单个重建提示提交带水印的图像，并获得视觉上忠实的输出，从中无法再可靠地解码不可见的水印。我们将这种故障模式形式化为水印清洗，并使用联合有效负载保真度配置文件对其进行评估，该配置文件将误码率 (BER) 与视觉和语义保留相结合。在六个 OpenAI 和 Google 图像编辑模型、三个代表性水印方案和 1,800 个重建输出中，我们确定了两种互补的清洗机制：OpenAI 模型在评估方案中产生最强的有效负载破坏，而 Nano Banana 2 显示 DwtDct 在高保真重建下仍然容易受到攻击。及时消融表明，有效载荷破坏不需要单一的面向移除的指令，这表明该效应主要是由重建路径引起的，而不是由明确的攻击措辞引起的。与传统攻击的比较进一步表明，即时条件重建构成了独特的操作攻击界面。这些发现促使基础模型重建成为隐形水印评估中缺失的鲁棒性条件。