생성 모델의 잠재 공간에서 워터마킹 학습

Learning to Watermark in the Latent Space of Generative Models

기존의 AI 생성 이미지 워터마킹 방법은 종종 픽셀 공간에 적용되는 사후 처리 방식을 사용하며, 이로 인해 계산 비용이 증가하고 시각적인 문제가 발생할 수 있습니다. 본 연구에서는 잠재 공간 워터마킹을 탐구하고, 확산 모델과 자기 회귀 모델 모두에 적용 가능한 통합 워터마킹 방법인 DistSeal을 소개합니다. 저희의 방법은 생성 모델의 잠재 공간에서 사후 워터마킹 모델을 학습시키는 방식으로 작동합니다. 실험 결과, 이러한 잠재 공간 워터마커는 생성 모델 자체 또는 잠재 디코더에 효과적으로 통합되어 모델 내 워터마킹을 가능하게 함을 확인했습니다. 결과적으로 생성된 잠재 워터마크는 경쟁력 있는 안정성을 제공하면서도 유사한 감지 불가능성을 유지하고, 픽셀 공간 기반 방법보다 최대 20배 빠른 속도를 보입니다. 또한, 실험 결과 잠재 워터마커를 통합하는 것이 픽셀 공간 워터마커를 통합하는 것보다 성능이 우수하며, 이는 더욱 효율적이고 안정적인 솔루션을 제공합니다.

Existing approaches for watermarking AI-generated images often rely on post-hoc methods applied in pixel space, introducing computational overhead and potential visual artifacts. In this work, we explore latent space watermarking and introduce DistSeal, a unified approach for latent watermarking that works across both diffusion and autoregressive models. Our approach works by training post-hoc watermarking models in the latent space of generative models. We demonstrate that these latent watermarkers can be effectively distilled either into the generative model itself or into the latent decoder, enabling in-model watermarking. The resulting latent watermarks achieve competitive robustness while offering similar imperceptibility and up to 20x speedup compared to pixel-space baselines. Our experiments further reveal that distilling latent watermarkers outperforms distilling pixel-space ones, providing a solution that is both more efficient and more robust.