局部图像水印（Local Image Watermarking）与全图铺开的水印方案不同，它只把不可见信号嵌入到选定图像区域，使得可以从特定物体或区域恢复载荷（payload）并定位水印范围，同时对整图视觉质量的影响更小。然而既有研究普遍只评估自己提出的方法，所采用的图像变换集合、数据集和评估指标各不相同且不一致，导致跨方法无法直接比较，局部水印鲁棒性的整体图景十分模糊。为填补这一空白，本文提出首个针对局部水印的系统性鲁棒性基准，覆盖 55 种图像变换，并归纳为四大类：(i) 信号失真，(ii) 图像坐标对齐（几何同步）变化，(iii) 间接局部编辑，(iv) 直接水印编辑。基准评估了 MaskWM、WAM、OmniGuard、TrustMark 与 PixelSeal 五种方法，选取标准是它们原生支持水印定位，或只需极小改动即可支持定位。实验结果显示出若干规律：所有被评估方法都会在某些变换下失效；MaskWM 在载荷恢复与定位两项能力上表现最强，但在干净（未受攻击）设置下图像质量最差；引入同步（synchronization）机制可提升 MaskWM 在多种几何变换下的载荷恢复率，但会进一步牺牲图像质量。一个关键发现是，局部水印的鲁棒性强依赖变换的性质：最强的方法往往能容忍信号失真类变换，而几何失配以及生成式局部编辑（如图像修补 inpainting、外扩 outpainting）则可能完全破坏载荷恢复。作者还指出，载荷恢复与区域定位虽然相关但并不等价，二者都强烈取决于变换对水印区域本身的影响程度。该工作适合水印鲁棒性、AI 生成内容溯源与图像取证方向的读者。

这篇论文探讨生成式AI（GenAI）对内容真实性带来的系统性风险。作者提出了“真实性债务”（authenticity debt）概念：组织在部署AI生成内容时，若未保留可验证的来源、完整性和问责机制，将累积机构性负债，未来可能在监管、法律或市场审查下暴露。论文首先构建了生成式AI危害与攻击向量的多维分类法，涵盖真实性、来源（provenance）、完整性和问责四个层面。随后，系统评估了现有技术控制手段的能力与局限性，包括数字水印（如DALL-E水印）、来源框架（C2PA、Adobe CAI）和检测技术（AI生成文本/图像检测）。核心论点是：在开放、对抗且不断演化的环境中，没有任何单一机制足以保障内容真实性。受零信任架构和企业治理框架启发，作者提出一个分层参考架构，融合密码学来源（如数字签名、区块链）、人在回路验证和持续治理，以实现大规模可防御的真实性。论文还分析了欧美监管环境（EU AI Act、美国FTC指南、NIST AI RMF），并为组织提供实践指导原则，建议将真实性建设视为机构基础设施而非事后补救。该研究适合安全架构师、合规官和AI系统设计者阅读，以理解GenAI时代内容信任的挑战及系统性解决方案。