5bei.cn大模型教程网论文：Robust Image Watermarking using Stable Diffusion
总结：论文亮点是提出了一个可训练的潜变量ZT，这个潜变量一开始是由原始图像经过DDIM Inversion产生，然后加水印，之后经过N次的迭代训练输出一个与原始图像尽可能相同的潜变量，用这个潜变量经过Stable Diffusion生成的带水印图像此时与原始图像类似，最后与原始图像自适应相加。
论文与树环水印主要有两个区别：一是树环水印的初始潜变量是用rand方法随机生成的，然后使用提示词生成与原始图像相似的图像；而本论文的初始潜变量是用DDIM Inversion生成的，而且这个潜变量还可以训练。
第二个区别是树环水印提出了三种水印模式，zero、rand和ring，分布嵌入的是二进制0、随机高斯分布、恒定高斯分布（个人理解）。而本论文嵌入的水印只是随机高斯分布，相当于树环的rand水印，而rand水印在之前的博客中说过它抵抗旋转攻击很弱，而其它两种比较强，所以本文的水印如果能改成其它两种水印模式，应该能够抵抗旋转攻击。
测试结果1：博主测试了两张图像，config是：嵌入单水印、嵌入到图像3通道、使用SD-2.1模型。每组的第一张图是输入的原始图像，可以看到在第一个迭代（iters）中，生成的图像是非常随机的，即使使用了DDIM Inversion也是如此。在经过多次迭代的训练后，潜变量逐渐与原始图像近似，所以生成的图像逐渐与原始图像相似，但最终结果还是与原始图像在色彩上有差异。
以上图像是水印嵌入在RGB三通道的结果，色彩上与原图有较大差异，但如果嵌入在单通道的话可以看到色彩基本与原图相似（见下图）。所以还是嵌入单通道水印的结果图更好，但是对应的鲁棒性就会降低。
测试结果2：论文也提供了使用prompt生成图像的方法，相当于图生图。从下图可以看到有prompt的情况下初始潜变量的训练就可有可无了。
测试结果3：博主分别测试了水印嵌入在单通道和三通道时的鲁棒性，可以看到嵌入在三通道时水印鲁棒性明显比单通道好。两种嵌入方式对于旋转攻击抵抗效果均较差，博主感觉换种水印类型应该能好点，参考树环的其它两种水印。
知识补充1：什么是Watson-VGG perceptual loss？
在论文的loss设计中，作者使用了这个感知损失，Watson-VGG perceptual loss 是一种用于衡量图像感知质量的损失函数，它基于人类视觉感知的原理，尤其关注图像的视觉内容。这种损失函数用于评估图像重建或图像转换任务中生成图像的质量。
知识补充2：什么是图像去噪攻击BM3D？
读的论文较少，这个攻击我第一次遇到，BM3D是芬兰Tampere工业大学在2007年发表的论文里提出的算法，作为一种效果较好的图像去噪攻击。论文中利用了图像去噪的原理来尝试移除或削弱图像中的水印。
文章来源于互联网:树环水印改版——Robust Image Watermarking using Stable Diffusion测试
AI技术已经渗透到我们生活的方方面面，包括ai写作。 母亲节即将到来，许多学生都想撰写一些祝福语来表达对母亲的感激之情。幸运的是，有一些AI写作软件可以提供帮助，它们不仅能够提供写作灵感，还能帮助提升文章的质量。 下面，就让我们一起来看看这六款AI写作官网软件…
