Latent Seal Bettet Robuste Wasserzeichen Während Der Bildgenerierung Ein, Um Den Urheberrechtsschutz Zu Unterstützen

KNOXVILLE, TN, 27. August 2026 /24-7PressRelease/ -- Ein Forschungsteam hat Latent Seal entwickelt, ein Wasserzeichen-Framework, das hochkapazitive Bildwasserzeichen in den Generierungsprozess latenter Diffusionsmodelle (LDMs) integriert, anstatt sie nach der Bilderstellung anzuhängen. Der Ansatz soll helfen, KI-generierte Inhalte (AIGC) zu identifizieren und die Urheberrechtsprüfung zu unterstützen, ohne die Bildqualität sichtbar zu beeinträchtigen. Ein Encoder im latenten Raum mischt ein RGB-Wasserzeichen (Rot-Grün-Blau) in die interne Darstellung des Modells, während ein gepaarter Decoder die Markierung nur aus geschützten Bildern wiederherstellt. Tests zeigen, dass die Methode auch nach üblichen Bearbeitungen und Verzerrungen hochgenau bleibt und einen praktischen Weg zu besser rückverfolgbaren und verantwortungsvollen generativen Bildsystemen bietet.

Generative Bildsysteme können heute realistische und vielfältige Bilder in industriellem Maßstab erzeugen, aber dieselbe Fähigkeit macht die Urheberschaft und Herkunft schwerer überprüfbar. Herkömmliche Nachbearbeitungswasserzeichen sind einfach zu implementieren, bleiben jedoch vom Modell getrennt und können entfernt oder umgangen werden. In-Generierungstechniken integrieren den Schutz tiefer, aber viele tragen nur begrenzte Informationen oder verlieren nach Kompression, Zuschneiden, Drehung, Farbanpassung oder gezielter Entfernung an Zuverlässigkeit. Die zentrale Herausforderung besteht daher darin, die Bildqualität zu erhalten und gleichzeitig die Herkunftsinformationen dauerhaft genug für die reale Online-Verbreitung zu machen. Aufgrund dieser Herausforderungen ist eine tiefere Untersuchung von Wasserzeichenmethoden erforderlich, die in den Generierungsprozess integriert, visuell unauffällig und gegenüber realen Manipulationen widerstandsfähig sind.

Forscher der Macao Polytechnic University, der Guangdong University of Technology, der Jinan University und des Instituts für Automatisierung der Chinesischen Akademie der Wissenschaften berichteten (DOI: 10.1007/s11633-025-1620-y) über die Arbeit in Machine Intelligence Research am 17. Juni 2026. Ihre Studie stellt Latent Seal vor, ein Encoder-Decoder-Framework, das hauptsächlich für Closed-Source-Latent-Diffusion-Dienste entwickelt wurde. Es bettet ein maßgeschneidertes Bildwasserzeichen ein, während der Inhalt generiert wird, und überprüft dann verdächtige Bilder, indem es die wiederhergestellte Markierung extrahiert und mit der ursprünglichen Referenz des Anbieters vergleicht, wodurch sowohl die Erkennung generativer Inhalte als auch die Urheberrechtsprüfung ermöglicht wird.

Das Team baute Latent Seal um Stable Diffusion 2.1 auf und stellte 74.247 generierte Bilder und ihre latenten Darstellungen aus Prompts von DiffusionDB und JourneyDB zusammen. Davon wurden 69.247 Bilder für das Training und 5.000 für Tests verwendet. Das System friert das ursprüngliche Denoising-Netzwerk ein, klont und verfeinert den variationalen Autoencoder (VAE)-Decoder und fügt einen latenten Wasserzeichen-Encoder in einen Zwischendekodierblock ein. Ein separater Decoder lernt zwei Ergebnisse: das Zielwasserzeichen aus geschützten Bildern wiederherzustellen und für ungeschützte Bilder eine leere Ausgabe zu liefern, wodurch Fehlerkennungen reduziert werden.

Während des Trainings simulierte eine Angriffsschicht zehn häufige Verzerrungen, darunter Helligkeits-, Kontrast- und Sättigungsänderungen, Unschärfe, Rauschen, Kompression, Spiegelung, Zuschneiden und Drehung. In Benchmark-Tests erreichten mit Wasserzeichen versehene Bilder ein Spitzen-Signal-Rausch-Verhältnis von 44,29 Dezibel und einen strukturellen Ähnlichkeitsindex von 0,9933, während wiederhergestellte Wasserzeichen 39,19 Dezibel, 0,9971 strukturelle Ähnlichkeit und 0,9992 normalisierte Kreuzkorrelation erreichten. Latent Seal behielt auch bei jedem getesteten Angriff die stärkste Extraktionsqualität und fügte nur 7,33 Millisekunden während der Einbettung und 2,26 Millisekunden während der Extraktion hinzu. Tests auf Stable Diffusion XL und Stable Diffusion 3.5 zeigten zudem eine konsistente Leistung über Modelle und Bildauflösungen hinweg.

Die Autoren sagten, Latent Seal sei entwickelt worden, um den Herkunftsschutz zu einem Teil der Bilderstellung zu machen und nicht zu einem optionalen Schritt, der im Nachhinein hinzugefügt wird. "Das Ziel ist es, die visuelle Qualität zu erhalten, die Benutzer erwarten, und gleichzeitig Modellanbietern eine praktische Möglichkeit zu geben, die Herkunft zu überprüfen, nachdem Bilder bearbeitet oder geteilt wurden", sagten sie. "Unsere Ergebnisse deuten darauf hin, dass eine starke Wasserzeichenwiederherstellung und eine geringe visuelle Beeinträchtigung gleichzeitig erreicht werden können. Der nächste Schritt besteht darin, die Wiederherstellung für visuell komplexe Wasserzeichen zu verbessern und das Framework an neue Wasserzeichen-Designs anzupassen, ohne das gesamte System jedes Mal neu zu trainieren."

Latent Seal könnte Herkunftsprüfungen für kommerzielle Bildgeneratoren, Social-Media-Untersuchungen, Urheberrechtsstreitigkeiten, Inhaltsmoderation und die Verwaltung digitaler Assets unterstützen, insbesondere wenn Anbieter das zugrunde liegende Modell kontrollieren. Die Fähigkeit, ein Vollfarbbild zu tragen, bietet mehr Identifikationskapazität als einfache binäre Signaturen, während die Widerstandsfähigkeit gegen übliche Bearbeitungen dazu beitragen könnte, dass Markierungen den alltäglichen Online-Austausch überleben. Das aktuelle System muss jedoch für jedes neue Wasserzeichen neu trainiert werden, und die Wiederherstellung wird bei komplexeren Wasserzeichentexturen und -farben etwas ungenauer. Die Forscher schlagen daher eine Frequenzdomänen-Feature-Fusion und einen leichten Adapter für beliebige Wasserzeichen vor. In der Praxis würde die Methode am besten zusammen mit Offenlegungsrichtlinien, Metadatenstandards und anderen Tools zur Inhaltsauthentifizierung funktionieren, anstatt als eigenständige Garantie.

Referenzen
DOI
10.1007/s11633-025-1620-y

Originalquellen-URL
https://doi.org/10.1007/s11633-025-1620-y

Förderinformationen
Diese Arbeit wurde vom Fonds für Wissenschafts- und Technologieentwicklung der Sonderverwaltungszone Macau (SAR), China (Nr. 0053/2025/RIB2), und der Macao Polytechnic University, China (Nr. RP/FCA-04/2024) finanziert.

Über Machine Intelligence Research
Machine Intelligence Research (ursprünglicher Titel: International Journal of Automation and Computing) wird von Springer veröffentlicht und vom Institut für Automatisierung der Chinesischen Akademie der Wissenschaften gesponsert. Die Zeitschrift veröffentlicht qualitativ hochwertige Beiträge zu origineller theoretischer und experimenteller Forschung, widmet sich Sonderausgaben zu neuen Themen und ist bestrebt, die Kluft zwischen theoretischer Forschung und praktischen Anwendungen zu überbrücken.

Chuanlink Innovations, wo revolutionäre Ideen ihr wahres Potenzial entfalten. Unser Name, verwurzelt im Wesen von Übertragung und Verbindung, spiegelt unser Engagement für die Förderung von Innovation und die Begleitung von Ideen von der Entstehung bis zur Verwirklichung wider.

Verwandter Link:
http://chuanlink-innovations.com

Haftungsausschluss: Diese Übersetzung wurde automatisch von NewsRamp™ für 24-7 Press Release (gemeinsam als "DIE UNTERNEHMEN" bezeichnet) mit öffentlich zugänglichen generativen KI-Plattformen erstellt. DIE UNTERNEHMEN garantieren nicht die Genauigkeit oder Vollständigkeit dieser Übersetzung und haften nicht für Fehler, Auslassungen oder Ungenauigkeiten. Die Nutzung dieser Übersetzung erfolgt auf eigenes Risiko. DIE UNTERNEHMEN haften nicht für Schäden oder Verluste, die aus solcher Nutzung entstehen. Die offizielle und maßgebliche Version dieser Pressemitteilung ist die englische Version.