GROOT: Generating Robust Watermark for Diffusion-Model-Based Audio Synthesis

在生成模型如扩散模型的蓬勃发展中，区分合成音频与其自然对应物的任务变得越来越困难。深度伪造检测提供了一个可行的解决方案来应对这一挑战。然而，这种防御措施无意中推动了生成模型的持续改进。数字水印技术成为一种积极的和可持续的策略，预先规定合成内容的创建和传播。因此，本文作为先驱，提出了生成鲁棒音频水印方法（Groot），提供了一种范例来积极监督合成音频及其源扩散模型。在这个范式中，水印生成和音频合成的过程同时发生，由配备专用编码器的参数固定的扩散模型进行促进。嵌入在音频中的水印随后可以由轻量级解码器检索。实验结果突出了Groot的优异表现，特别是在鲁棒性方面，超过了领先的最先进方法。除了在单个后处理攻击方面表现出卓越的韧性外，Groot在面对复合攻击时也表现出了特殊的鲁棒性，保持了约95％的平均水印提取精度。

提出一种先进的音频数字水印技术，以监管合成音频和其来源扩散模型，解决生成模型技术的滥用问题。

提出了一种新的数字水印方案，将数字水印嵌入音频中，同时使用固定参数扩散模型和专用编码器生成音频和数字水印，使用轻量级解码器检测数字水印。

实验结果表明，该方法具有出色的鲁棒性，尤其是在面对复合攻击时，平均水印提取准确率约为95%。该方法还可以预防生成模型技术的滥用。

最近的相关研究包括：1. "A Survey of Audio Watermarking Techniques" 2. "Audio Watermarking Using Singular Value Decomposition" 3. "Robust Audio Watermarking Based on Discrete Wavelet Transform and Singular Value Decomposition"