Von KI generierte Inhalte (AIGC) ermöglichen effiziente visuelle Erstellung, bringen jedoch Risiken für das Urheberrecht und die Authentizität mit sich. Als gängige Technik zur Integritätsüberprüfung und Quellverfolgung gilt die digitale Bildwasserzeichenbildung als potenzielle Lösung für die genannten Probleme. Allerdings haben die weit verbreitete Nutzung und die fortschreitenden Fähigkeiten generativer Bildbearbeitungstools die Risiken böswilliger Manipulationen verstärkt und gleichzeitig neue Herausforderungen für die passive Manipulerkennung und die Robustheit der Wasserzeichen geschaffen. Um diesen Herausforderungen zu begegnen, schlägt dieses Papier eine tamper-aware generative Wasserzeichenbildungsmethode namens TAG-WM vor. Die vorgeschlagene Methode umfasst vier Schlüsselmodule: einen Dual-Mark Joint Sampling (DMJS) Algorithmus zur Einbettung von Urheberrechts- und Lokalisierungswasserzeichen in den latenten Raum bei gleichzeitiger Erhaltung der generativen Qualität, die Wasserzeichen-latente Rekonstruktion (WLR) mittels umgekehrtem DMJS, einen dichten Variationsbereichsdetektor (DVRD), der die Diffusionsinversionssensitivität nutzt, um manipulierte Bereiche durch statistische Abweichungsanalyse zu identifizieren, und die tamper-aware Dekodierung (TAD), die durch Lokalisierungsergebnisse geleitet wird. Die experimentellen Ergebnisse zeigen, dass TAG-WM eine erstklassige Leistung in der Robustheit gegenüber Manipulationen und der Lokalisierungsfähigkeit selbst unter Verzerrungen erzielt, während es die verlustfreie Generierungsqualität bewahrt und eine Wasserzeichenkapazität von 256 Bit aufrechterhält. Der Code ist verfügbar unter: https://github.com/Suchenl/TAG-WM.
Chen et al. (Mon,) untersuchten diese Frage.