在生成模型的潜在空间中学习水印嵌入

基于摘要分析。本文研究 AI 生成图像的水印嵌入，针对像素空间后处理水印可能带来的计算开销与视觉伪影，提出适用于扩散模型和自回归模型的潜在空间水印方法 DistSeal。核心贡献是先在生成模型的潜在空间训练后处理水印模型，再将其蒸馏进生成模型本身或潜在解码器，实现模型内水印嵌入。 机制上，DistSeal 将水印处理从像素空间移至潜在表示，并通过蒸馏把独立的水印处理能力整合进图像生成流程。摘要支持两种蒸馏目标，但未披露水印编码与检测方式、损失函数、训练数据及模型适配细节，尚不能判断其对不同生成架构的具体改造成本。 作者报告，相较像素空间基线，潜在空间水印在具有竞争力的鲁棒性和相近不可感知性的同时，最高可实现 20 倍加速；该数值对应的具体模型、运行条件、计时范围与基线配置尚未验证。作者还报告，蒸馏潜在空间水印在效率与鲁棒性上优于蒸馏像素空间水印，但摘要未提供指标、攻击设置或数值对照。实验协议、消融及统计信息尚未验证。 本文主要研究对象是生成图像的水印与来源标识，不是 EEG 解码或 BCI 算法。现有材料未建立其与神经信号建模瓶颈的具体对应关系，因此不能据此推断 BCI 有效性，也不据此提出 EEG 迁移实验。