arXiv cs.AI· Zilai Li·· 1 天前AI 评分22
RAIN：面向语义水印提取的区域感知反演网络
RAIN: Region-Aware Inversion Network for Semantic Watermark Extraction
AI 导读
研究者提出 RAIN，一种面向扩散模型语义水印提取的轻量、免提示词一步式提取器，通过将端点恢复分解为类图像锚点与噪声导向残差，避免迭代反演和重复评估扩散规模 U-Net。该方法提取噪声的计算成本低于 OSI 和 FARI，并给出简洁的理论解释。该工作已被 BMVC 2026 Workshop（TrustVis）接收为 Oral 报告。
正文 · AI 翻译
摘要：扩散模型的语义水印将所有权信息嵌入生成过程，同时保持感知质量，但 Gaussian-Shading 提取通常需要多步扩散反演来恢复初始噪声。近期的一步法表明这一成本可以大幅降低。我们通过扩展流匹配和条件回归来研究这一问题。关键观察是，在高信噪比图像端点附近，在高信噪比区域下根据扩展流匹配的第一步输出恢复有用的噪声统计量，比重建完整的逆轨迹要简单得多，而 Gaussian Shading 只要求恢复的潜变量保持在正确的水印决策区域内。基于这一观察，我们提出了一种轻量、无需提示词的提取器，它将端点恢复分解为类图像锚点和面向噪声的残差，从而增强了模型利用 GPU 并行计算的能力。由此得到的方法避免了迭代反演和对扩散规模 U-Net 的重复评估，提供了一条高效的一步提取流水线，并给出了简洁的理论解释。提取噪声的计算成本低于 OSI 和 FARI。GitHub 仓库在此：this https URL
| 评论： | 被 BMVC 2026 Workshop（TrustVis）接收为口头报告 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.14856 [cs.CV] |
| （或 arXiv:2609.14856v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.14856 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zilai Li [查看邮箱]
[v1]
2026年9月14日星期一 00:07:17 UTC（273 KB）
[v2]
2026年9月22日星期二 23:58:40 UTC（274 KB）
[v3]
2026年11月12日星期四 06:44:40 UTC（275 KB）
来源：arXiv cs.AI · arxiv.org