SemBind：将扩散模型水印绑定到语义以对抗黑盒伪造攻击

研究者提出 SemBind 框架，通过学习到的语义掩码器把潜在水印信号与图像语义绑定，抵御针对潜在扩散模型（LDM）水印的黑盒伪造攻击。这类攻击中，攻击者只需一张带水印图像和对提供方模型的黑盒访问，就能把提供方水印嵌入非其生成的图像，威胁图像溯源与信任。SemBind 用对比学习训练掩码器，使同一提示词的编码近似不变、不同提示词的编码近似正交，再经重排和置换调制目标潜在表示，可叠加在现有潜在水印方案之前；作者称这是首个抵御此类攻击的潜在水印防御框架。方法与四种主流潜在水印方案兼容，图像质量基本不变，掩码比例参数可在抗伪造强度与鲁棒性之间权衡；实验显示启用 SemBind 的变体明显降低黑盒伪造下的误接受。