万字长文！AIGC 时代数字图像水印的进展与实践 | 新程序员
内容提要
数字水印是保护数据安全的新技术，包括传统方法和深度学习方法。未来的发展趋势包括设计可证性能无损水印技术、将水印信息隐藏在生成图像的风格特征中，以及多重水印技术的发展。
延伸解读
水印性能的三角权衡
文章指出，数字水印的不可感知性、鲁棒性和容量三者相互制约。固定任一参数，另外两者便此消彼长：提高嵌入强度可增强鲁棒性，却会牺牲图像质量；降低强度以保画质，则鲁棒性下降。因此算法设计需根据实际场景在三角中取舍，而非追求单项最优。
传统与深度学习水印的路径差异
传统方法依赖信号处理与密码学，手工设计空域或变换域算法，如基于对称性的局部几何失真鲁棒水印，通过翻转水印单元生成对称水印，并利用自卷积快速同步。深度学习方法则采用E-N-D框架，用编码器、噪声层和解码器联合训练，让模型从数据中学习抵抗失真，两者在鲁棒性和泛化性上各有侧重。
生成图像水印的嵌入时机之变
生成图像水印将水印嵌入过程提前到图像生成阶段，而非生成后修改像素。例如树环水印在扩散模型的初始噪声中嵌入傅里叶空间模式，Stable Signature则微调VAE解码器以嵌入二进制签名。这种“分布内”水印为内容平台追踪AI生成内容提供了新思路，但检测依赖模型反演或统计测试，实际部署需考虑假阳率控制。
未来方向：可证无损与多重水印
文章展望，未来趋势包括设计可证性能无损的水印技术，在保持图像质量的同时实现可靠提取；将水印隐藏在生成图像的风格特征中，而非直接修改像素；以及融合传统水印的泛化性与深度水印的针对性，发展多重水印技术，以应对复杂攻击和多样化应用场景。
Q&A
数字水印系统通常由哪几个部分组成？
一个完整的数字水印系统设计一般包括三部分：水印生成、水印嵌入和水印提取。
评估数字水印算法时，常用的不可感知性指标有哪些？
常用的不可感知性指标是结构相似性指标（SSIM）和峰值信噪比（PSNR）。SSIM衡量两幅图像之间的结构相似性，PSNR用于衡量图像的质量损失程度。
传统数字水印方法主要分为哪两类？
传统数字水印方法分为空域方法和变换域方法。空域方法直接在原始图像中嵌入水印，变换域方法则在图像的变换域（如频域或小波域）中嵌入水印。
深度学习水印方法中常用的E-N-D框架包含哪些部分？
E-N-D框架包含编码器（Encoder）、噪声层（Noise Layer）和解码器（Decoder）三个部分。编码器将水印消息嵌入载体图像，噪声层模拟真实信道失真，解码器从失真图像中提取水印信息。
生成图像水印方法与传统的嵌入后水印方法有何不同？
生成图像水印方法将水印生成和水印嵌入过程合并到图像生成过程中，水印不是发生在图像生成之后，而是发生在图像生成过程中，实际样本并不带有经典加法意义上的水印，而是隐藏在图像分布中的水印。
数字水印技术的未来发展趋势有哪些？
未来发展趋势包括：设计可证性能无损水印技术，在保持图像质量不受影响的情况下实现水印的可靠提取和验证；将水印信息隐藏在生成图像的风格特征中；以及传统数字水印和深度学习水印技术结合的多重水印技术。
