Latent Seal Intègre Des Filigranes Robustes Lors De La Génération D'Images Pour Soutenir La Protection Des Droits D'Auteur

KNOXVILLE, TN, 27 août 2026 /24-7PressRelease/ -- Une équipe de recherche a développé Latent Seal, un cadre de tatouage qui place des filigranes d'image à haute capacité dans le processus de génération des modèles de diffusion latente (LDM), plutôt que de les attacher après la création de l'image. L'approche est conçue pour aider à identifier le contenu généré par intelligence artificielle (AIGC) et soutenir la vérification des droits d'auteur sans dégrader visiblement la qualité de l'image. Un encodeur d'espace latent intègre un filigrane rouge-vert-bleu (RVB) dans la représentation interne du modèle, tandis qu'un décodeur jumelé récupère la marque uniquement à partir des images protégées. Les tests montrent que la méthode reste très précise après des modifications et distorsions courantes, offrant une voie pratique vers des systèmes d'images génératives plus traçables et responsables.

Les systèmes d'images génératives peuvent désormais produire des images réalistes et variées à l'échelle industrielle, mais cette même capacité rend la vérification de la paternité et de l'origine plus difficile. Les filigranes conventionnels en post-traitement sont faciles à déployer, mais ils restent séparés du modèle et peuvent être supprimés ou contournés. Les techniques intégrées à la génération intègrent la protection plus profondément, mais beaucoup transportent encore des informations limitées ou perdent en fiabilité après compression, recadrage, rotation, ajustement des couleurs ou suppression ciblée. Le défi central est donc de préserver la qualité de l'image tout en rendant les informations de provenance suffisamment durables pour la circulation en ligne réelle. En raison de ces défis, une investigation plus approfondie est nécessaire sur les méthodes de tatouage intégrées au processus de génération, visuellement discrètes et résilientes aux manipulations du monde réel.

Des chercheurs de l'Université Polytechnique de Macao, de l'Université de Technologie du Guangdong, de l'Université Jinan et de l'Institut d'Automatisation de l'Académie Chinoise des Sciences ont rapporté (DOI : 10.1007/s11633-025-1620-y) le travail dans Machine Intelligence Research le 17 juin 2026. Leur étude introduit Latent Seal, un cadre encodeur-décodeur développé principalement pour les services de diffusion latente à source fermée. Il intègre un filigrane d'image personnalisé pendant la génération du contenu, puis vérifie les images suspectes en extrayant et en comparant la marque récupérée avec la référence originale du fournisseur, permettant à la fois la détection de contenu génératif et la vérification des droits d'auteur.

L'équipe a construit Latent Seal autour de Stable Diffusion 2.1 et a assemblé 74 247 images générées et leurs représentations latentes à partir de prompts tirés de DiffusionDB et JourneyDB. Parmi celles-ci, 69 247 images ont été utilisées pour l'entraînement et 5 000 pour les tests. Le système gèle le réseau de débruitage original, clone et affine le décodeur d'autoencodeur variationnel (VAE), et insère un encodeur de filigrane d'espace latent dans un bloc de décodage intermédiaire. Un décodeur séparé apprend deux résultats : récupérer le filigrane cible à partir des images protégées et renvoyer une sortie vide pour les images non protégées, réduisant les fausses détections.

Pendant l'entraînement, une couche d'attaque a simulé dix distorsions courantes, y compris les changements de luminosité, de contraste et de saturation, le flou, le bruit, la compression, les retournements, le recadrage et la rotation. Dans les tests de référence, les images filigranées ont atteint un rapport signal sur bruit de crête de 44,29 décibels et un indice de similarité structurelle de 0,9933, tandis que les filigranes récupérés ont atteint 39,19 décibels, 0,9971 de similarité structurelle et 0,9992 de corrélation croisée normalisée. Latent Seal a également conservé la meilleure qualité d'extraction dans chaque attaque testée et n'a ajouté que 7,33 millisecondes lors de l'intégration et 2,26 millisecondes lors de l'extraction. Les tests sur Stable Diffusion XL et Stable Diffusion 3.5 ont en outre montré des performances cohérentes à travers les modèles et les résolutions d'image.

Les auteurs ont déclaré que Latent Seal a été conçu pour faire de la protection de la provenance une partie de la création d'image plutôt qu'une étape facultative ajoutée après coup. « L'objectif est de préserver la qualité visuelle attendue par les utilisateurs tout en offrant aux fournisseurs de modèles un moyen pratique de vérifier l'origine après que les images ont été modifiées ou partagées », ont-ils déclaré. « Nos résultats suggèrent qu'une forte récupération du filigrane et un faible impact visuel peuvent être atteints ensemble. La prochaine étape consiste à améliorer la récupération pour des filigranes visuellement complexes et à rendre le cadre adaptable à de nouvelles conceptions de filigranes sans réentraîner le système complet à chaque fois. »

Latent Seal pourrait soutenir les vérifications de provenance pour les générateurs d'images commerciaux, les enquêtes sur les médias sociaux, les litiges de droits d'auteur, la modération de contenu et la gestion des actifs numériques, en particulier lorsque les fournisseurs contrôlent le modèle sous-jacent. Sa capacité à transporter une image en couleur offre une capacité d'identification plus grande que les simples signatures binaires, tandis que sa résistance aux modifications courantes pourrait aider les marques à survivre aux partages en ligne ordinaires. Cependant, le système actuel doit être réentraîné pour chaque nouveau filigrane, et la récupération devient légèrement moins précise à mesure que les textures et les couleurs du filigrane deviennent plus complexes. Les chercheurs proposent donc une fusion de caractéristiques dans le domaine fréquentiel et un adaptateur léger pour des filigranes arbitraires. En pratique, la méthode fonctionnerait mieux aux côtés de politiques de divulgation, de normes de métadonnées et d'autres outils d'authentification de contenu plutôt que comme une garantie autonome.

Références
DOI
10.1007/s11633-025-1620-y

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

Informations sur le financement
Ce travail a été financé par le Fonds pour le développement de la science et de la technologie de la Région administrative spéciale de Macao (RAS), Chine (n° 0053/2025/RIB2), et par l'Université Polytechnique de Macao, Chine (n° RP/FCA-04/2024).

À propos de Machine Intelligence Research
Machine Intelligence Research (titre original : International Journal of Automation and Computing) est publié par Springer et parrainé par l'Institut d'Automatisation de l'Académie Chinoise des Sciences. La revue publie des articles de haute qualité sur la recherche expérimentale et théorique originale, cible des numéros spéciaux sur des sujets émergents et s'efforce de combler le fossé entre la recherche théorique et les applications pratiques.

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, enraciné dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées de la conception à la réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.