Awesome GenAI Watermarking
1.0.0
การซื้อคืนนี้มีเอกสารเกี่ยวกับวิธีการใส่ลายน้ำสำหรับโมเดล AI เชิงสร้างสรรค์ ลายน้ำเป็นวิธีการฝังสัญญาณที่มองไม่เห็น แต่สามารถกู้คืนได้ (เพย์โหลด) ลงในเนื้อหาดิจิทัล (หน้าปก) ด้วยโมเดลเชิงกำเนิด มีวิธีการที่ฝึกฝนโมเดลเพื่อสร้างลายน้ำในทุกเอาต์พุต และลักษณะการทำงานนี้ควรจะปิดใช้งานได้ยาก เราเรียกสิ่งนี้ว่า "การรูทลายนิ้วมือ" หรือเพียงแค่ "การรูท"
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| ลายน้ำไม่ใช่การเข้ารหัส | IWDW | 2549 | - | หน้าเว็บผู้เขียน | - สิ่งที่ต้องทำ |
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| ลายพิมพ์ลายนิ้วมือประดิษฐ์สำหรับโมเดลกำเนิด: การรูทการระบุแหล่งที่มาแบบ Deepfake ในข้อมูลการฝึกอบรม | ไอซีซีวี | 2021 | - | อาร์ซิฟ | - การรูทโมเดล GAN โดยการฝังลายน้ำลงในข้อมูลการฝึกอบรมเพื่อใช้ประโยชน์ ความสามารถในการถ่ายโอน |
| PTW: ลายน้ำการปรับแต่งที่สำคัญสำหรับตัวสร้างภาพที่ผ่านการฝึกอบรมมาแล้ว | ยูสนิกซ์ | 2023 | Github | อาร์ซิฟ | - มุ่งเน้นไปที่ GAN แต่โมเดลการแพร่กระจายแฝงก็ควรใช้งานได้เช่นกัน |
| ลายเซ็นต์ที่เสถียร: การรูทลายน้ำในโมเดลการแพร่กระจายแฝง | ไอซีซีวี | 2023 | Github | อาร์ซิฟ | - ผู้เขียน Meta/FAIR ปรับแต่งโมเดลให้สอดคล้องกับตัวเข้ารหัส/ตัวถอดรหัสเพื่อเปิดเผยข้อความลับในเอาต์พุต - แข็งแกร่งในการกำจัดลายน้ำและการทำให้แบบจำลองบริสุทธิ์ (การเสื่อมคุณภาพ) - ลายน้ำแบบคงที่ |
| ลายเซ็นที่เสถียรไม่เสถียร: การลบลายน้ำรูปภาพออกจากแบบจำลองการแพร่กระจาย | - | 2024 | - | อาร์ซิฟ | - การทำให้บริสุทธิ์แบบจำลองลายเซ็นที่มีความเสถียรผ่านการปรับแต่งอย่างละเอียด |
| ลายน้ำที่ยืดหยุ่นและปลอดภัยสำหรับโมเดลการแพร่กระจายแฝง | พลอากาศเอก เอ็ม | 2023 | - | - | - อ้างอิงลายเซ็นที่เสถียรและปรับปรุงโดยการเพิ่มความยืดหยุ่นโดยอนุญาตให้ฝังข้อความต่างๆ ที่มีการปรับแต่งอย่างละเอียด |
| กรอบลายน้ำ Plug-and-Play ที่ไม่ต้องใช้การฝึกอบรมเพื่อการแพร่กระจายที่เสถียร | - | 2024 | - | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| WOUAF: การปรับน้ำหนักสำหรับการระบุแหล่งที่มาของผู้ใช้และการพิมพ์ลายนิ้วมือในรูปแบบการแพร่กระจายข้อความเป็นรูปภาพ | การประชุมเชิงปฏิบัติการ NeurIPS เกี่ยวกับแบบจำลองการแพร่กระจาย | 2023 | - | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| RoSteALS: Steganography ที่แข็งแกร่งโดยใช้ Autoencoder Latent Space | การประชุมเชิงปฏิบัติการ CVPR (CVPRW) | 2023 | Github | อาร์ซิฟ | - ลายน้ำโพสต์เฉพาะกิจ |
| DiffusionShield: ลายน้ำสำหรับการคุ้มครองลิขสิทธิ์จากโมเดลการแพร่กระจายแบบกำเนิด | การประชุมเชิงปฏิบัติการ NeurIPS เกี่ยวกับแบบจำลองการแพร่กระจาย | 2023 | - | อาร์ซิฟ | - ไม่เกี่ยวกับการรูท - รูปภาพที่มีการป้องกันพิษของข้อมูล ซึ่งจะทำซ้ำหากใช้เป็นข้อมูลการฝึกอบรมในแบบจำลองการแพร่กระจาย |
| สูตรสำหรับโมเดลการแพร่กระจายของลายน้ำ | - | 2023 | Github | อาร์ซิฟ | - กรอบการทำงานสำหรับ 1. DM ที่ไม่มีเงื่อนไข/คลาสที่มีเงื่อนไขขนาดเล็กผ่านการฝึกอบรมตั้งแต่เริ่มต้นบนข้อมูลที่ใส่ลายน้ำ และ 2. DM ที่เป็นข้อความเป็นรูปภาพผ่านการปรับแต่งทริกเกอร์เอาท์พุตแบ็คดอร์ - มีการอ้างอิงจำนวนมากเกี่ยวกับแบบจำลองการเลือกปฏิบัติลายน้ำ - ลายน้ำแบบคงที่ |
| การคุ้มครองทรัพย์สินทางปัญญาของแบบจำลองการแพร่กระจายผ่านกระบวนการกระจายลายน้ำ | - | 2023 | - | อาร์ซิฟ | - โมเดลภัยคุกคาม: ตรวจสอบความเป็นเจ้าของโมเดลโดยการเข้าถึงโมเดล - อ่านยาก - อธิบายความแตกต่างระหว่าง ลายน้ำแบบคงที่และแบบไดนามิก พร้อมการอ้างอิงจำนวนมาก |
| การรักษาความปลอดภัยโมเดล Deep Generative ด้วยลายเซ็น Universal Adversarial | - | 2023 | Github | อาร์ซิฟ | - 1. ค้นหาลายเซ็นที่เหมาะสมที่สุดสำหรับรูปภาพทีละภาพ - 2. ปรับแต่งโมเดล GenAI บนรูปภาพเหล่านี้ |
| แบบจำลองการแพร่กระจายของลายน้ำ | - | 2023 | - | อาร์ซิฟ | - การปรับแต่งแบ็คดอร์-ทริกเกอร์-เอาท์พุต - ลายน้ำแบบคงที่ - ผู้เขียน CISPA |
| จับคุณได้ทุกสิ่งทุกที่: ปกป้องข้อความผกผันผ่านลายน้ำแนวคิด | - | 2023 | - | อาร์ซิฟ | - ปกป้องแนวคิดที่ได้รับจากการผกผันข้อความ (รูปภาพมีค่าหนึ่งคำ: การปรับแต่งการสร้างข้อความเป็นรูปภาพโดยใช้การผกผันข้อความ) จากการละเมิดโดยอนุญาตให้ระบุแนวคิดในรูปภาพที่สร้างขึ้น - การอ้างอิงที่น่าสนใจมากเกี่ยวกับจุดยืนของบริษัทและรัฐบาลในเรื่องลายน้ำ |
| การสร้างลายน้ำเชิงสร้างสรรค์ต่อต้านการสังเคราะห์ภาพที่ขับเคลื่อนด้วยหัวเรื่องโดยไม่ได้รับอนุญาต | - | 2023 | - | อาร์ซิฟ | - แตกต่างจาก Glaze ตรงที่การสังเคราะห์สไตล์จากรูปภาพต้นฉบับที่ได้รับการป้องกันไม่ได้ถูกป้องกัน แต่สามารถจดจำได้ผ่านลายน้ำ - ผู้เขียน CISPA |
| สู่ช่องโหว่ของเนื้อหาที่สร้างโดยปัญญาประดิษฐ์ที่มีลายน้ำ | - | 2024 | - | เปิดรีวิว | - การลบลายน้ำและการปลอมแปลงด้วยวิธีเดียวโดยใช้ GAN - อ้างอิงลายน้ำสองประเภท: 1. เรียนรู้/ปรับแต่งโมเดลเพื่อสร้างเอาต์พุตที่มีลายน้ำ และ 2. ลายน้ำหลังเหตุการณ์จริง (คงที่และไดนามิก ดู "การคุ้มครองทรัพย์สินทางปัญญาของแบบจำลองการแพร่กระจายผ่านกระบวนการกระจายลายน้ำ") |
| ความทนทานของเครื่องตรวจจับภาพ AI: ขีดจำกัดพื้นฐานและการโจมตีเชิงปฏิบัติ | ไอซีแอลอาร์ | 2024 | Github | อาร์ซิฟ | - พวกเขาแสดงให้เห็นว่าวิธีการลายน้ำที่มีงบประมาณต่ำถูกโจมตีโดยการทำให้บริสุทธิ์แบบแพร่กระจาย และเสนอการโจมตีที่สามารถลบลายน้ำที่มีงบประมาณสูงได้ด้วยการทดแทนแบบจำลอง |
| ถ่ายโอนการโจมตีไปยังลายน้ำรูปภาพ | - | 2024 | - | อาร์ซิฟ | - การลบลายน้ำโดย "no-box" - การโจมตีตัวตรวจจับ (ไม่มีการเข้าถึงตัวตรวจจับ-API แทนที่จะฝึกตัวแยกประเภทเพื่อแยกความแตกต่างระหว่างภาพลายน้ำและภาพวานิลลา) |
| EditGuard: ลายน้ำรูปภาพอเนกประสงค์สำหรับการแปล Tamper และการคุ้มครองลิขสิทธิ์ | ซีวีพีอาร์ | 2024 | Github | อาร์ซิฟ | - ลายน้ำหลังการขายพร้อมการแปลการงัดแงะ |
| ลายน้ำแฝง: ฉีดและตรวจจับลายน้ำในพื้นที่การแพร่กระจายแฝง | - | 2024 | - | อาร์ซิฟ | - กล่าวถึงลายน้ำ 3 หมวดหมู่พร้อมการอ้างอิง: ก่อน ระหว่าง และหลังรุ่น |
| Stable Messenger: Steganography สำหรับการสร้างภาพที่ซ่อนข้อความ | - | 2023 | - | อาร์ซิฟ | - ลายน้ำโพสต์เฉพาะกิจ - การฝังลายน้ำระหว่างการสร้างตาม "ลายน้ำแฝง: ฉีดและตรวจจับลายน้ำในพื้นที่การแพร่กระจายแฝง" แต่ฉันคิดว่ามันเป็นหลังเหตุการณ์จริง |
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| StegaStamp: ไฮเปอร์ลิงก์ที่มองไม่เห็นในภาพถ่ายทางกายภาพ | ซีวีพีอาร์ | 2020 | Github | อาร์ซิฟ | - ลายน้ำในภาพทางกายภาพที่สามารถบันทึกได้จากสตรีมวิดีโอ - "ต่อช่องโหว่ของเนื้อหาที่สร้างโดยปัญญาประดิษฐ์ที่มีลายน้ำ" คาดการณ์ว่า Deepmind SynthID ทำงานคล้ายกับสิ่งนี้ |
| ChartStamp: การฝังแผนภูมิที่แข็งแกร่งสำหรับแอปพลิเคชันในโลกแห่งความเป็นจริง | พลอากาศเอก เอ็ม | 2022 | Github | - | - เช่นเดียวกับ StegaStamp แต่ทำให้เกิดความยุ่งเหยิงน้อยลงในพื้นที่เรียบของรูปภาพ |
| ตัวอย่างที่ไม่เป็นปฏิปักษ์: การออกแบบวัตถุเพื่อการมองเห็นที่แข็งแกร่ง | ประสาทไอพีเอส | 2021 | Github | อาร์ซิฟ | - การก่อกวนเพื่อให้การตรวจจับง่ายขึ้น |
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| RAW: กรอบลายน้ำ Plug-and-Play ที่แข็งแกร่งและคล่องตัวสำหรับรูปภาพที่สร้างโดย AI พร้อมการรับประกันที่พิสูจน์ได้ | - | 2024 | Github | อาร์ซิฟ | - ถอนตัวออกจาก arxiv |
| PiGW: กรอบงานการสร้างลายน้ำแบบปลั๊กอิน | - | 2024 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - ถอนตัวออกจาก arxiv |
| การเปรียบเทียบความทนทานของลายน้ำรูปภาพ (รอแหล่ง ICML) | ไอซีเอ็มแอล | 2024 | Github | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| WMAdapter: การเพิ่ม WaterMark Control ให้กับโมเดลการแพร่กระจายแบบแฝง | - | 2024 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| การวิเคราะห์ลายน้ำแบบดิจิทัล: การป้องกันของคุณไม่สามารถป้องกันได้จริงหรือ? | - | 2024 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| การค้นหาเข็มในกองหญ้า: วิธีการแบบกล่องดำเพื่อการตรวจจับลายน้ำที่มองไม่เห็น | - | 2024 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| ProMark: ลายน้ำการแพร่กระจายเชิงรุกสำหรับการระบุแหล่งที่มา | ซีวีพีอาร์ | 2024 | - | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| การใส่ลายน้ำรูปภาพในพื้นที่แฝงที่มีการควบคุมตนเอง | ICASSP | 2022 | Github | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| ตัวเข้ารหัสอัตโนมัติแบบเจนเนอเรชั่นในฐานะผู้โจมตีลายน้ำ: การวิเคราะห์ช่องโหว่และภัยคุกคาม | เวิร์กช็อป ICML DeployableGenerativeAI | 2023 | - | - | - โจมตีลายน้ำพิกเซลโดยใช้ตัวเข้ารหัสอัตโนมัติ LDM |
| ลายน้ำภาพที่มองไม่เห็นสามารถถอดออกได้โดยใช้ Generative AI | - | 2023 | Github | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล แต่เป็นการลบลายน้ำด้วยการทำให้บริสุทธิ์แบบแพร่กระจาย - ประเมินลายเซ็นที่มั่นคงและลายน้ำ Tree-Ring วงแหวนต้นไม้แข็งแกร่งต่อการโจมตีของพวกมัน - เวอร์ชันก่อนหน้าของ Generative Autoencoders ในฐานะ Watermark Attackers |
| WaterDiff: ลายน้ำภาพที่รับรู้ผ่านแบบจำลองการแพร่กระจาย | การประชุมเชิงปฏิบัติการ IVMSP-P2 ที่ ICASSP | 2024 | - | - | - สิ่งที่ต้องทำ |
| Squint Hard Enough: โจมตี Perceptual Hashing ด้วย Adversarial Machine Learning | ยูสนิกซ์ | 2022 | - | - | - การโจมตีแฮชการรับรู้ |
| การหลบเลี่ยงการตรวจจับตามลายน้ำของเนื้อหาที่สร้างโดย AI | ซีซีเอส | 2023 | Github | อาร์ซิฟ | - การประเมินความทนทานของลายน้ำภาพ + ตัวอย่างฝ่ายตรงข้ามเพื่อหลีกเลี่ยง |
| แบบจำลองการแพร่กระจายเพื่อการทำให้บริสุทธิ์โดยฝ่ายตรงข้าม | ไอซีเอ็มแอล | 2022 | Github | อาร์ซิฟ | - ป้องกันการก่อกวนฝ่ายตรงข้าม รวมถึงลายน้ำที่มองไม่เห็นในภาพ |
| ลายน้ำที่แข็งแกร่งตามการไหลพร้อมชั้นสัญญาณรบกวนแบบกลับด้านได้สำหรับการบิดเบือนกล่องดำ | เอ.ไอ.ไอ | 2023 | Github | - | - เช่นเดียวกับ HiDDeN เพียงตัวเข้ารหัส/ตัวแยกลายน้ำประสาท |
| HiDDeN: การซ่อนข้อมูลด้วย Deep Networks | อีซีซีวี | 2018 | Github | อาร์ซิฟ | - เครื่องมือหลักที่ใช้ใน Stable Signature - ประกอบด้วยอนุพันธ์ประมาณ ของการบีบอัด JPEG - ลายน้ำแบบไดนามิก |
| Glaze: ปกป้องศิลปินจากการล้อเลียนสไตล์ด้วยโมเดลข้อความเป็นรูปภาพ | ยูสนิกซ์ | 2023 | Github | อาร์ซิฟ | - ไม่เกี่ยวกับการรูท แต่เป็นการปฏิเสธการขโมยสไตล์ |
| DUAW: ลายน้ำ Universal Adversarial ที่ไม่มีข้อมูล เทียบกับการปรับแต่งการแพร่กระจายที่เสถียร | - | 2023 | - | อาร์ซิฟ | - ดูเหมือน Glaze เมื่อมองแวบแรก ผู้เขียนอาจโชคไม่ดีที่ได้ทำงานคู่ขนาน |
| การเปิดเผยอย่างมีความรับผิดชอบของแบบจำลองการกำเนิดโดยใช้ลายนิ้วมือที่ปรับขนาดได้ | ไอซีแอลอาร์ | 2022 | Github | อาร์ซิฟ | - การรูทโมเดล GAN ดูเหมือนว่าจะได้นำเสนอแนวคิดในการสร้างโมเดลจำนวนมากอย่างรวดเร็วโดยมีพื้นที่ข้อความขนาดใหญ่ (สิ่งที่ต้องทำ: ตรวจสอบสิ่งนี้ในภายหลัง) คล้ายกับที่ Stable Signature ทำในภายหลังเพื่อการแพร่กระจายที่เสถียร |
| เกี่ยวกับการระบุแหล่งที่มาของ Deepfakes | - | 2020 | - | อาร์ซิฟ | - แสดงให้เห็นว่าสามารถสร้างภาพที่ดูเหมือนว่าอาจถูกสร้างขึ้นโดยโมเดลเป้าหมายได้ พวกเขายังเสนอกรอบวิธีการบรรลุการปฏิเสธในกรณีดังกล่าว |
| สู่ลายน้ำที่มองไม่เห็น: การผสมผสานกลไกที่พลิกกลับได้และไม่สามารถพลิกกลับได้ | พลอากาศเอก เอ็ม | 2022 | Github | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล แต่เกี่ยวกับการโจมตีลายน้ำของรูปภาพหลังเหตุการณ์เฉพาะกิจ - มีการอ้างอิงมากมายเกี่ยวกับ NN แบบกลับด้านได้ |
| DocDiff: การปรับปรุงเอกสารผ่านแบบจำลองการแพร่กระจายของสารตกค้าง | พลอากาศเอก เอ็ม | 2023 | Github | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล แต่เกี่ยวกับการใส่ลายน้ำของรูปภาพหลังเหตุการณ์เฉพาะกิจ - รวมการลบลายน้ำแบบคลาสสิก |
| สงคราม: ทำลายการป้องกันลายน้ำของเนื้อหาที่สร้างโดย AI | - | 2023 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล แต่เกี่ยวกับการโจมตีลายน้ำหลังการแก้ไข - รวม 1. การลบลายน้ำ และ 2. การปลอม |
| การใช้ประโยชน์จากการเพิ่มประสิทธิภาพสำหรับการโจมตีแบบอะแดปทีฟบนลายน้ำของรูปภาพ | ICML (โปสเตอร์) | 2024 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล แต่เกี่ยวกับการโจมตีลายน้ำหลังการแก้ไข |
| ลายน้ำรูปภาพที่ค่อนข้างแข็งแกร่งเมื่อเทียบกับโมเดลการแก้ไขแบบกระจาย | - | 2023 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล แต่เกี่ยวกับการใส่ลายน้ำของรูปภาพหลังเหตุการณ์เฉพาะกิจ - ใส่ลายน้ำตามตัวอักษรและแทรกรูปภาพที่ซ่อนอยู่ |
| สวัสดี นั่นคือลายน้ำที่มองไม่เห็นของฉันถูกเก็บรักษาไว้ในเอาท์พุตที่สร้างจากการแพร่กระจาย | - | 2023 | - | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล พวกเขาแสดงให้เห็นว่าลายน้ำในข้อมูลการฝึกอบรมสามารถรับรู้ได้ในผลลัพธ์และอนุญาตให้มีการอ้างสิทธิ์ในทรัพย์สินทางปัญญา |
| การเปรียบเทียบความทนทานของลายน้ำรูปภาพ | - | 2024 | Github | อาร์ซิฟ | - เป็นเพียงเกณฑ์มาตรฐาน/กรอบสำหรับการทดสอบลายน้ำ |
| การปรับแต่งแบบละเอียดฟรี: รูปแบบลายน้ำ Plug-and-Play สำหรับ Deep Neural Networks | พลอากาศเอก เอ็ม | 2023 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - ไม่เกี่ยวกับโมเดลเชิงกำเนิด แต่เป็นโมเดลที่เลือกปฏิบัติ |
| การโจมตีฝ่ายตรงข้ามเพื่อการป้องกันลายน้ำที่แข็งแกร่งจากการลบลายน้ำที่ใช้การลงสีและการลบลายน้ำแบบ Blind Watermark | พลอากาศเอก เอ็ม | 2023 | ยังไม่ได้มองหาเลย | - | - ลายน้ำแบบโพสต์เฉพาะกิจพร้อมความทนทานที่เพิ่มขึ้นเมื่อเทียบกับการลงสี |
| กรอบงานลายน้ำวิดีโอเชิงลึกแบบใหม่พร้อมความแข็งแกร่งที่เพิ่มขึ้นสำหรับการบีบอัด H.264/AVC | พลอากาศเอก เอ็ม | 2023 | Github | - | - ลายน้ำหลังการขายสำหรับวิดีโอ |
| ลายน้ำกระจายลึกในทางปฏิบัติพร้อมการซิงโครไนซ์และฟิวชั่น | พลอากาศเอก เอ็ม | 2023 | ยังไม่ได้มองหาเลย | อาร์ซิฟ | - ลายน้ำหลังการแก้ไขสำหรับรูปภาพที่มีความคงทนต่อการเปลี่ยนแปลงที่ดีขึ้น |
| การตรวจจับภาพสังเคราะห์ทั่วไปผ่านการเรียนรู้เชิงเปรียบเทียบด้วยภาษา | - | 2023 | Github | อาร์ซิฟ | - ไม่เกี่ยวกับการรูท แต่เป็นการตรวจจับภาพ GenAI |
| ปรับปรุงความทนทานของการพิมพ์ลายนิ้วมือจากการเรียนรู้เชิงลึกเพื่อปรับปรุงการระบุแหล่งที่มาของ Deepfake | พลอากาศเอก เอ็มเอ็ม-เอเชีย | 2022 | - | - | - ไม่เกี่ยวกับการรูท แต่เป็นกลยุทธ์การเปลี่ยนแปลงที่แข็งแกร่งสำหรับลายน้ำ |
| คุณถูกจับได้ว่าขโมยตั๋วลอตเตอรีที่ถูกรางวัลของฉัน! การทำสลากกินแบ่งอ้างความเป็นเจ้าของ | ประสาทไอพีเอส | 2021 | Github | อาร์ซิฟ | - ลายน้ำหน้ากากกระจัดกระจายของการถูกลอตเตอรี |
| โมเดลเจนเนอเรทีฟที่บริโภคด้วยตนเองกลายเป็นเรื่องบ้า | ICLR (โปสเตอร์) | 2024 | - | อาร์ซิฟ | - มีเหตุผลว่าทำไมการตรวจจับ GenAI จึงมีความสำคัญ: การลบเนื้อหาที่สร้างขึ้นออกจากชุดการฝึก |
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| การตรวจจับเชิงรุกของการโคลนเสียงพร้อมลายน้ำเฉพาะที่ | - | 2024 | Github | อาร์ซิฟ | - ผู้เขียน Meta/FAIR |
| MaskMark: ลายน้ำประสาทที่แข็งแกร่งสำหรับคำพูดจริงและสังเคราะห์ | ICASSP | 2024 | ตัวอย่างเสียง | IEEEสำรวจ | - |
| ลายน้ำร่วมกันสำหรับการสังเคราะห์คำพูดของฝ่ายตรงข้าม | ICASSP | 2024 | - | อาร์ซิฟ | - ผู้เขียน Meta/FAIR |
| HiFi-GAN: เครือข่ายฝ่ายตรงข้ามทั่วไปเพื่อการสังเคราะห์เสียงพูดที่มีประสิทธิภาพและเที่ยงตรงสูง | ประสาทไอพีเอส | 2020 | Github | อาร์ซิฟ | - GAN ที่ดีมากสำหรับการสังเคราะห์เสียงพูด (สิ่งที่ต้องทำ: นี่คือ SotA หรือไม่) - สามารถทำการสังเคราะห์สดได้แม้บน CPU - คุณภาพเทียบเท่ากับโมเดลการถดถอยอัตโนมัติ |
| ข้อมูลการฝึกอบรมการปลอมแปลงสำหรับมาตรการตอบโต้การปลอมแปลงคำพูดสามารถสร้างขึ้นได้อย่างมีประสิทธิภาพโดยใช้ตัวแปลงสัญญาณประสาท | ICASSP | 2023 | - | อาร์ซิฟ | - รวมข้อมูลการฝึกอบรมที่สร้างโดย vocoder เพื่อเพิ่มความสามารถในการตรวจจับสำหรับมาตรการตอบโต้ |
| AudioQR: ลายน้ำเสียงประสาทลึกสำหรับรหัส QR | อิจซี | 2023 | Github | - | - รหัส QR ที่ไม่สามารถมองเห็นได้ในเสียงสำหรับผู้พิการทางสายตา |
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| ความท้าทาย ASVspoof 2021 | - | 2021 | Github | อาร์ซิฟ | - ความท้าทายในการตรวจจับการปลอมแปลงเสียง |
| เพิ่ม 2022: ความท้าทายในการตรวจจับการสังเคราะห์เสียงเชิงลึกครั้งแรก | ICASSP | 2022 | Github | อาร์ซิฟ | - เว็บไซต์การแข่งขันอย่างเป็นทางการของจีน (ไม่มี HTTPS!) |
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| ลายน้ำในทราย: ความเป็นไปไม่ได้ของลายน้ำที่รุนแรงสำหรับโมเดลเชิงกำเนิด | - | 2023 | Github | อาร์ซิฟ | - |
| หม้อแปลงลายน้ำฝ่ายตรงข้าม: สู่การติดตามแหล่งที่มาของข้อความด้วยการซ่อนข้อมูล | เอสแอนด์พี | 2021 | Github | อาร์ซิฟ | - |
| ลายน้ำที่ยืดหยุ่นสำหรับรหัสที่สร้างโดย LLM | - | 2024 | ภาคผนวก Github | อาร์ซิฟ | - รหัส |
| ลายน้ำหลายบิตที่แข็งแกร่งที่พิสูจน์ได้สำหรับข้อความที่สร้างโดย AI ผ่านรหัสแก้ไขข้อผิดพลาด | - | 2024 | - | อาร์ซิฟ | - การแก้ไขข้อผิดพลาด |
| ลายน้ำที่แข็งแกร่งที่พิสูจน์ได้สำหรับข้อความที่สร้างโดย AI | ไอซีแอลอาร์ | 2024 | Github | อาร์ซิฟ | - เห็นได้ชัดว่ามีลายน้ำ LLM ที่ดีและแข็งแกร่ง |
| สู่ลายน้ำที่สามารถเข้ารหัสได้สำหรับการฉีดข้อมูลหลายบิตไปยัง LLM | ไอซีแอลอาร์ | 2024 | Github | อาร์ซิฟ | - สิ่งที่ต้องทำ |
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| การขโมยโมเดลการเรียนรู้ของเครื่อง: การโจมตีและมาตรการตอบโต้สำหรับเครือข่ายฝ่ายตรงข้ามทั่วไป | อสส | 2021 | - | อาร์ซิฟ | - |
| การโจมตีและการป้องกันการแยกโมเดลในโมเดล Deep Generative | วารสารฟิสิกส์ | 2022 | - | - | - |
| การสกัดแบบจำลองและการป้องกันบนเครือข่ายปฏิปักษ์ทั่วไป | - | 2021 | - | อาร์ซิฟ | - |
| กระดาษ | การดำเนินการ / วารสาร | ปีสถานที่ / อัปเดตล่าสุด | รหัส | แหล่ง PDF ทางเลือก | หมายเหตุ |
|---|---|---|---|---|---|
| แบบสำรวจที่ครอบคลุมเกี่ยวกับการใส่ลายน้ำรูปภาพที่มีประสิทธิภาพ | ประสาทคอมพิวเตอร์ | 2022 | - | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล |
| การทบทวนอย่างเป็นระบบเกี่ยวกับลายน้ำแบบจำลองสำหรับโครงข่ายประสาทเทียม | พรมแดนในข้อมูลขนาดใหญ่ | 2021 | - | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล |
| บทวิจารณ์ที่ครอบคลุมเกี่ยวกับลายน้ำภาพดิจิทัล | - | 2022 | - | อาร์ซิฟ | - ไม่เกี่ยวกับการรูทโมเดล |
| การคุ้มครองลิขสิทธิ์ใน Generative AI: มุมมองทางเทคนิค | - | 2024 | - | อาร์ซิฟ | - เกี่ยวกับการป้องกัน IP ใน GenAI โดยทั่วไป |
| ความปลอดภัยและความเป็นส่วนตัวของข้อมูลทั่วไปใน AIGC: แบบสำรวจ | - | 2023 | - | อาร์ซิฟ | - เกี่ยวกับด้านความปลอดภัยใน GenAI โดยทั่วไป |
| การตรวจจับมัลติมีเดียที่สร้างโดยโมเดล AI ขนาดใหญ่: แบบสำรวจ | - | 2024 | - | อาร์ซิฟ | - เกี่ยวกับการตรวจจับ GenAI โดยทั่วไป |
| การตรวจจับเสียง Deepfake: แบบสำรวจ | - | 2023 | - | อาร์ซิฟ | - ประกอบด้วยภาพรวมของชุดข้อมูลเสียงที่ปลอมแปลง วิธีการปลอมแปลง และวิธีการตรวจจับ - พนักเสิร์ฟดีมาก |
สรุปการจัดระบบที่ให้ในการทบทวนนี้
| เป้าหมาย | คำอธิบาย | แรงจูงใจ |
|---|---|---|
| ความจงรักภักดี | คุณภาพการคาดการณ์สูงในงานต้นฉบับ | ประสิทธิภาพของโมเดลไม่ควรลดลงอย่างมีนัยสำคัญ |
| ความทนทาน | ลายน้ำควรต้านทานการลบออก | ป้องกันการหลีกเลี่ยงลิขสิทธิ์ |
| ความน่าเชื่อถือ | ผลลบลวงน้อยที่สุด | ช่วยให้มั่นใจว่ามีการรับรู้ถึงความเป็นเจ้าของโดยชอบธรรม |
| ความซื่อสัตย์ | ผลบวกลวงน้อยที่สุด | ป้องกันการกล่าวหาโดยมิชอบเรื่องการโจรกรรม |
| ความจุ | รองรับข้อมูลจำนวนมาก | อนุญาตให้มีลายน้ำที่ครอบคลุม |
| ความลับ | ลายน้ำจะต้องเป็นความลับและตรวจไม่พบ | ป้องกันการตรวจจับโดยไม่ได้รับอนุญาต |
| ประสิทธิภาพ | การแทรกและตรวจสอบลายน้ำอย่างรวดเร็ว | หลีกเลี่ยงภาระในการคำนวณ |
| ลักษณะทั่วไป | เป็นอิสระจากชุดข้อมูลและอัลกอริธึม ML | อำนวยความสะดวกในการประยุกต์ใช้อย่างแพร่หลาย |
