Latent Watermark: Inject and Detect Watermarks in Latent Diffusion Space

水印技术是一种主动识别和归属潜在扩散模型生成的图像的工具。现有方法面临着水印鲁棒性和图像质量的两难境地。造成这种困境的原因是水印检测是在像素空间中进行的，意味着图像质量和水印鲁棒性之间存在内在联系。本文强调解决这个问题的有效方法是在潜在空间中注入和检测水印，并提出了具有渐进式训练策略的潜在水印（LW）。实验证明，与最近提出的方法如StegaStamp、StableSignature、RoSteALS和TreeRing相比，LW不仅在鲁棒性方面超过它们，而且在图像质量方面也更好。当我们注入64位消息时，LW在9种单攻击场景和一个全攻击场景下可以实现接近100%的识别性能和97%以上的归属性能。我们的代码将在GitHub上提供。

本论文旨在解决现有水印技术在像素空间进行水印嵌入和检测时，水印鲁棒性和图像质量之间的困境。提出了在潜在空间中进行水印嵌入和检测的解决方案。

本论文提出了潜在水印（LW）的方法，通过渐进式训练策略，在潜在空间中进行水印嵌入和检测，解决了水印鲁棒性和图像质量之间的问题。

实验表明，与现有的方法相比，LW不仅在鲁棒性方面表现更好，而且在图像质量方面也更好。在注入64位消息的情况下，LW在9种单一攻击场景和一个全攻击场景下，可以实现接近100%的识别性能和97%以上的归属性能。研究人员将代码开源于GitHub。

与本论文相关的研究包括StegaStamp、StableSignature、RoSteALS和TreeRing等方法。