DeMark: A Query-Free Black-Box Attack for Quality-Preserving Audio Watermark Removal
该论文关注学习型音频水印在真实对抗场景下的安全性, 提出了一种无需查询、也无需访问水印编码器 / 解码器 / 检测器的黑盒水印去除方法 DeMark。研究动机在于: 现有去除攻击要么依赖模型反馈(需要反复查询目标系统), 要么需要成对的干净
#audio-watermarking
共收录 5 条相关情报。
← 返回所有主题CRAW: Codec Robust Audio Watermarking
该论文提出了一种针对生成式语音模型的鲁棒音频水印框架 CRAW（Codec Robust Audio Watermarking）。研究背景是：近年来生成式语音模型（如语音克隆、语音合成）的进步使得真实与合成语音难以区分，增加了欺诈和虚假信息
Learning to Evade: Adaptive Attacks on Audio Watermarking
本文提出了一种针对音频水印的自适应攻击方法（AWM），旨在绕过现有的水印检测防御策略。研究发现，水印解码器的消息概率遵循正态分布，这一特性被现有防御方法利用来检测攻击行为。AWM 采用两阶段优化：第一阶段确保攻击成功，第二阶段提升音频质量。
Feature-Aligned Speech Watermarking for Robustness to Reconstruction Distortions
本文提出一种特征对齐的语音水印方法，旨在提高水印对语音重建模型（如现有或未知的编解码器）的鲁棒性。传统音频水印在保真度与鲁棒性之间存在权衡：增加水印能量可提升鲁棒性，但会降低不可感知性。作者利用预训练语音编解码器生成伪语音水印，使其分布与原
Audio Pirates: Black-box Audio Watermark Removal via Diffusion Priors
随着AI生成音频的普及，水印技术被广泛用于检测滥用和保护知识产权。然而，攻击者可能试图移除这些水印，因此评估水印方案对移除攻击的鲁棒性至关重要。现有攻击方法往往不切实际：要么明显降低感知质量，要么需要访问水印方案的具体细节。本文提出Diff