本研究提出了一种新颖的特征适应框架，旨在改善深度神经网络在大面积水印去除中的不足。通过融合水印下的背景信息与图像修复模型的特征，该模型显著提升了去水印效果，降低了对水印遮罩质量的敏感性。

本研究提出了De-mark框架，通过随机查询策略有效去除语言模型中的n-gram水印，并评估其强度。实验表明，De-mark在流行语言模型上表现出色，对未来内容生成有重要影响。

本文研究了深度神经网络中的数字水印技术，提出了黑盒和白盒攻击方法，证明了水印方案的不安全性。研究还介绍了新型水印去除攻击方法和对抗训练的水印算法，以提高水印的隐蔽性和鲁棒性。DeepEclipse有效破解多个水印技术，提供了深度学习水印保护的新解决方案。

本文提出了TrustMark，一种基于GAN的水印嵌入方法，旨在平衡水印质量与恢复准确性。该模型具有鲁棒性，能够抵御多种扰动。此外，介绍了TrustMark-RM水印去除方法，实验证明其在不同分辨率图像上的性能优越。