郭钊均, 李美玲, 周杨铭, 等. 人工智能生成内容模型的数字水印技术研究进展[J]. 网络空间安全科学学报, 2024, 2(1): 13-39.

GUO Zhaojun, LI Meiling, ZHOU Yangming, et al. Survey on digital watermarking technology for artificial intelligence generated content models[J]. Journal of Cybersecurity, 2024, 2(1): 13-39.

本文第一节详细介绍了生成式大模型的技术发展

我们首先探讨了生成对抗网络（Generative Adversarial Network, GAN），紧接着分析了扩散模型和深度伪造（Deepfake）技术。此外，本节还将涵盖GPT生成模型，并以人工智能生成内容（Artificial Intelligence Generated Content, AIGC）的大型模型为结尾，概述其技术架构和应用场景。

本文第二节介绍了数字水印技术的主要目的

利用载体数据的冗余特性，在数字内容中嵌入特定信息，实现对该数字内容的标识和追踪。

数字水印技术的基本流程如图所示。根据不同的应用场景，水印可以包含多种信息，例如版权信息、版本信息、作者信息、所有者信息、发行人信息等。这种信息嵌入是隐蔽的，对原始数据产生微弱但有效的影响，以确保不干扰人类感知和不影响数字内容的正常应用。传统数字水印的保护对象主要包括文本、图像和视频等多媒体数据。本节还分类介绍了多媒体水印的经典算法。

本文第三节详细介绍了AIGC数字水印技术

这些技术分为模型确权水印、生成内容水印和样本保护水印三大类。模型确权水印致力于保护专有大模型，可进一步细分为白盒水印和黑盒水印，这两种水印方法针对不同的保护需求和应用环境。生成内容水印的目的是追踪版权并预防人工智能生成内容的潜在危害，主要包括AIGC内生水印和AIGC外置水印。样本保护水印则专注于确保AIGC模型训练样本的可追溯性和安全性，具体方法包括验证水印和扰动水印。这些水印技术是解决内容安全挑战和维护模型训练者权益的关键手段，为构建一个更安全、可信的人工智能生成内容环境提供了坚实的支持。

本文第四节探讨了无水印取证溯源技术

该技术分为无水印取证和无水印溯源两个部分。无水印取证专注于判断当前内容的真实性，即辨别内容是由模型生成还是人类创造。无水印溯源则旨在解决生成内容的归属问题，即确定哪个模型产生了特定的内容。无水印取证可以视作无水印溯源的前置步骤。

无水印图像取证示意图

无水印溯源示意图