LiBRA提出双向潜空间优化实现检测感知图像水印移除
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把水印推向不可检出
这项名为 LiBRA 的工作针对的是 AI 生成图像水印在抗去除攻击上的可靠性问题。已有的一类攻击思路是让解码出的水印与原始水印产生差异，借此达到去除目的。但论文指出这种做法存在一个副作用：差异被推到一定程度后，解码结果可能变成原始水印的反相形式，而这种反相水印依然可以被检测出来，去除因此并未真正成功。若继续加大改动去修正这种反相，图像质量又会承受不必要的损失。LiBRA 的目标因此被设定为让水印变得不可检出，同时尽量保住图像质量，而不是一味把水印往反相方向推。它的做法是调整图像本身来把水印藏起来，避免那些既无法消除可检出性、又会拖累画质的持续改动。
在潜空间做有界调整
在具备水印密钥与解码器的前提下，LiBRA 选择在一个公开自编码器的潜空间内进行有界改动。与以反相为驱动的目标不同，后者无法纠正过度反相的情况，LiBRA 改为把平均解码置信度从两个方向都引导向随机猜测的水平。这样做的用意是绕开“反相但仍可检出”的状态。方法还允许各个比特保持一定的灵活度，使图像质量的约束条件能够偏向那些破坏更小的改动；此外还有一个可选的频率引导掩码，用来限制改动发生的位置。论文强调，去除效果并非默认成立，而是通过精确的双侧二项检验来验证，而不是假定置信度目标本身就能保证成功。
适用条件与读者意义
从适用范围看，LiBRA 的成立依赖两个前提：能够拿到水印密钥，并且能够访问解码器。这意味着它描述的是一种在已知密钥条件下的去除路径，而非黑盒场景下的通用手段。对关注 AI 生成图像来源标注的读者来说，这项工作的意义在于提示：水印的可靠性不只取决于能否被读出，还取决于在被定向改动后是否仍能被稳定检出；把解码结果推离原始水印并不等于去除成功，反相状态本身仍可能被识别。论文同时把验证环节交给统计检验，而不是依赖对置信度目标的假设，这一点也构成了它与既有反相驱动思路的主要区别。
为什么值得看
针对AI生图水印鲁棒性痛点，提出更优攻击方法，对水印防御设计具直接参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。