arXiv cs.AI· Luyang Si, Leyi Pan, Dongsheng Ma, Lijie Wen·· 9 天前AI 评分23
mAVE：面向联合音视频生成模型的水印框架
mAVE: A Watermark for Joint Audio-Visual Generation Models
AI 导读
研究者提出免训练水印框架 mAVE，通过在原生联合音视频扩散 Transformer 中绑定会话，防止攻击者拼接不同会话的水印模态冒充厂商原始联合输出。mAVE 将公开记录检索与秘密会话认证分离，用随机载荷经密码学摘要把音频比特绑定到会话密钥的视频网格，无需修改生成器权重或训练辅助水印网络。
正文 · AI 翻译
摘要：联合音视频生成的水印技术可支持厂商版权保护与内容溯源。然而，独立有效的音频和视频水印并不能确立共享的生成会话。攻击者可以拼接来自不同会话的带水印模态，使该配对被误认为是厂商的原始联合输出。我们提出 mAVE（Manifold Audio-Visual Entanglement），一种免训练的水印框架，通过在原生联合音视频扩散 Transformer 中进行会话绑定来强化厂商归属。mAVE 将公开记录检索与秘密会话认证分离：固定的公开索引定位服务器记录，而随机化载荷通过密码学摘要将音频比特绑定到以会话密钥生成的视频网格。一次以提示词为条件的联合反演即可支持提供商辅助的、针对会话记录的双模态验证，且无需修改生成器权重或训练辅助水印网络。我们的分析建立了与实现相匹配的分布保持性以及全初始化路由/裁剪预算，同时给出了自适应会话池安全性和稳定的局部扰动界。在 LTX-2 和 MOVA 上的实验表明生成质量相当。在评估的交换测试中，mAVE 达到 99.8\% 的真阳性率和 0\% 的观测假阳性率，并在 FrameAvg 时间平均下保持 99.2\% 的真阳性率。同提示词和相似度选择的交换进一步测试了超越感知兼容性的会话认证。
| 学科： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2603.07090 [cs.CR] |
| （或 arXiv:2603.07090v2 [cs.CR] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2603.07090 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Luyang Si [查看邮箱]
[v1]
2026年3月7日星期六 07:59:31 UTC（12,388 KB）
[v2]
2026年10月8日星期四 05:04:14 UTC（12,412 KB）
来源：arXiv cs.AI · arxiv.org