本研究提出ChainMarks方案，增强深度神经网络水印技术的安全性和鲁棒性，有效解决水印移除和模糊攻击的脆弱性。实验结果表明，该方案提高了水印的存在概率和准确性。

本研究提出了一种时间感知的鲁棒水印技术，旨在提高合成声音的保真度和水印的坚固性，以解决真实与虚假声音之间的模糊问题。

本研究提出了PCDiff，一个主动访问控制框架，旨在保护文本到图像扩散模型的知识产权。PCDiff通过调节生成质量和结合可训练模块，确保只有持有有效加密凭证的用户才能生成高保真图像，并兼容传统水印技术，提升模型的所有权管理能力。

本研究提出了一种新颖的水印嵌入技术，用于识别学术期刊和会议中依赖大型语言模型生成的评审评论。该方法在评估中展现出高灵敏度和抗干扰性，有助于提升同行评审的质量。

本研究提出了一种水印技术，旨在解决大语言模型（LLMs）在文本修改和生成文本检测中的不足。通过引入“被丢弃的token”指标，该方法有效提高了水印的检测能力，并增强了对不忠实水印的敏感性。

本研究探讨了生成模型在提升图像质量后，如何解决生成内容的产权归属问题。提出了一种在模型推断过程中嵌入水印的新方法，有效识别生成内容并追踪用户，实验表明该水印技术具备良好的抗扰动能力。

本研究提出了Video Seal框架，旨在提高数字平台视频水印技术的效率和灵活性。通过联合训练嵌入器和提取器，增强水印的鲁棒性，并引入时间水印传播技术。实验结果表明，Video Seal在速度、隐蔽性和鲁棒性方面优于现有模型，尤其在严苛失真条件下表现更佳。

本研究提出了一种新型水印技术LVMark，旨在解决现有水印技术在视频生成模型中处理时序信息的不足。LVMark能够在保持视频质量的同时嵌入水印信息，具有保护视频生成模型所有权的重要价值。

本研究探讨了音乐生成模型训练中的水印技术，以解决未经授权使用版权内容的问题。结果表明，水印数据显著影响模型输出，尤其在水印样本比例和模型鲁棒性方面，显示音频水印技术在保护创作内容上具有重要潜力。

本研究探讨了区分AI生成内容与人类创作内容的方法，提出水印技术作为有效解决方案，强调其在提升内容安全性和可信度方面的重要性。

本研究评估了水印技术在识别大型语言模型生成文本中的有效性。通过开发WaterPark平台，整合多种水印方法，揭示设计选择对鲁棒性的影响，并提出优化水印操作的最佳实践。

本研究提出了一种新水印技术“浅层扩散”，旨在解决AI生成内容中的误信息和版权问题。该方法通过低维子空间嵌入隐形水印，显著提升了水印的可检测性和数据一致性，优于现有技术。

牛津、剑桥等学校的研究人员发现，使用合成数据训练大模型可能导致模型崩溃，进而影响下一代模型的训练数据集。模型崩溃与模型设计、学习过程和数据质量有关。研究人员评估了模型崩溃对语言模型的影响，发现随着时间推移，模型产生的错误会增加。科技公司已部署“水印”技术来排除AI生成的内容，但商业可行性有限。

该文章对基于深度神经网络的水印技术进行了安全分析，并提出了一种新的攻击类型。通过DLOVE攻击分析了七种不同的水印技术，展示了它们的脆弱性。实验结果验证了DLOVE攻击的能力，并将其作为基准安全分析工具。

本研究提出了一个全面的评估框架，用于区分机器生成的文本和人类作者的内容。框架包括不同任务和实际攻击的水印技术基准。目前的水印技术可用于部署，但对水印的不可辨认性要求过高。通过略微修改逻辑分布的方案，可以在生成质量上胜过不可辨认的方案，且无明显质量损失。

随着计算机和网络技术的发展，数字媒体的版权保护变得越来越重要。本文介绍了多通道、多层水印的制作和抵抗攻击的方法。通过变换域DCT水印算法，可以保护知识产权和防止未经授权的访问。攻击实验表明，在合理的分块和频域位置选择下，该算法可以抵抗一定程度的攻击手段，但会影响图像的清晰度。