该论文重新审视了图像鲁棒消息嵌入（robust message embedding）问题，指出传统方法主要基于“失真鲁棒性”范式，即嵌入信号在空间中仍存在，但受到噪声、模糊或压缩等退化影响。然而，严重裁剪（severe cropping）构成了一种根本不同的挑战：它直接移除载体图像的一部分，导致部分载荷消失，而非仅仅信号退化。作者从“擦除鲁棒性”（erasure-resilience）视角出发，提出名为 CREST 的概念验证框架，专门针对严重裁剪鲁棒的消息嵌入。CREST 的核心思想是结合编码理论冗余与神经嵌入/恢复：首先通过 LT 喷泉编码（LT fountain coding）将紧凑的 QR 消息扩展为冗余的空间载荷，然后采用裁剪感知的嵌入方式和分片恢复机制，使得即使图像大量区域被裁剪，也能从剩余碎片中恢复完整消息。实验在 COCO、DIV2K 和 VOC2012 数据集上进行，结果显示 CREST 在严重裁剪下显著提升恢复能力，同时保持有竞争力的视觉质量。在面积保留率为 0.7 的混合失真下，CREST 相比最强基线将 TRA（文本恢复准确率）从 18.52% 提升至 68.45%，并将 EMR（嵌入消息错误率）从 13.88% 降低至 4.21%。在 COCO2017 上，当仅保留 30%–50% 图像面积时，CREST 仍能达到 48.55%–65.12% 的 TRA，而所有对比基线均无法恢复消息。这些结果表明，严重裁剪应被理解为擦除问题而非传统失真问题，并激励了神经嵌入与基于编码的恢复的联合设计。该研究适用于图像水印、内容溯源、版权保护等多媒体安全场景，尤其对需要抵抗区域擦除/裁剪攻击的实际部署具有参考价值。

本文提出了一种名为 SpreadMark 的鲁棒图像水印方法，针对深度伪造检测和来源追踪场景中水印需要抵抗有意移除的问题。作者首先指出现有基于编码器-解码器的水印方案存在一个共同弱点：每个消息比特只占据图像的一小部分区域，因此攻击者只需扰动该比特所在区域即可破坏水印。SpreadMark 借鉴经典的扩频通信原理，将每个比特以密集的伪随机码字形式扩散到整幅图像中，并通过匹配滤波方式从学习到的抑制载体（cover-suppressed）码片表示中恢复水印，同时结合并行卷积解码路径和稀疏化感知训练。作者还进行了条件码片空间分析，证明在与码字无关的扰动模型下，密集扩频会增加破坏匹配滤波恢复所需的扰动预算。实验在 COCO 和 DIV2K 数据集上与九种现有方案对比，结果表明 SpreadMark 是唯一在再生攻击和潜在空间稀疏化设置下均保持高检测率的方法，同时在 JPEG 压缩和加性噪声鲁棒性上表现相当，并且保持了水印的不可感知性，具有较高的感知质量。

该论文关注鲁棒图像水印中的身份泄露问题。随着生成式AI发展，图像水印用于版权保护和所有权验证，但现有鲁棒水印方法易受两种攻击：对抗攻击（修改水印图像使解码失败）和身份泄露攻击（伪造水印图像）。作者发现，无论是经验鲁棒还是认证鲁棒的现有方法，都在增强鲁棒性时加剧了身份信息泄露（攻击者可利用可区分的特征伪造水印）。为解决此问题，论文提出W-IR，首个同时实现身份保护和鲁棒性的图像水印框架。核心方法包括：1）基于随机平滑的认证鲁棒机制，在像素级和坐标级两个变换空间上提供认证鲁棒性（利用Neyman-Pearson引理确定最优决策边界）；2）基于残差信息损失的身份泄露缓解策略，通过最小化残差图像与水印图像之间的互信息，减少身份特征的泄漏。实验表明，W-IR在保持高认证准确率的同时，有效降低了身份泄露风险，在鲁棒性和身份保护之间取得了更优平衡。代码已开源。