Gaussian Shading: Provable Performance-Lossless Image Watermarking for Diffusion Models

版权保护和不当内容生成引起的伦理问题对于扩散模型的实际实施提出了挑战。一种有效的解决方案是对生成的图像进行水印处理。然而，现有的方法常常会损害模型性能或需要额外的训练，这对于操作者和用户来说都是不可取的。为了解决这个问题，我们提出了高斯阴影，一种扩散模型水印技术，既不会损失性能，也不需要额外的训练，同时具有版权保护和追踪违规内容的双重目的。我们的水印嵌入不涉及模型参数修改，因此是即插即用的。我们将水印映射到遵循标准高斯分布的潜在表示中，这与从未加水印的扩散模型获得的潜在表示不可区分。因此，我们可以实现无损性能的水印嵌入，并提供了理论证明。此外，由于水印与图像语义密切相关，所以它对于有损处理和擦除尝试表现出韧性。水印可以通过去噪扩散隐式模型（DDIM）反演和反向采样来提取。我们在多个版本的稳定扩散上评估了高斯阴影，结果表明，高斯阴影不仅不会损失性能，而且在鲁棒性方面也优于现有方法。

论文旨在解决版权保护和不当内容生成方面的伦理问题，提出一种性能不损失、无需额外训练的水印技术，即Gaussian Shading。

Gaussian Shading将水印嵌入到标准高斯分布的潜在表示中，与非水印扩散模型获得的潜在表示无法区分，因此可以实现无损性能的水印嵌入，同时具有鲁棒性。

论文在多个版本的Stable Diffusion上评估了Gaussian Shading，结果表明该方法不仅性能不损失，而且在鲁棒性方面优于现有方法。水印与图像语义紧密相关，因此对于有损处理和删除尝试具有抗性。论文还提供了理论证明，并讨论了未来研究的方向。

与该论文相关的研究包括基于深度学习的水印技术，以及扩散模型的应用研究。