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。

该论文提出了一种名为多通道扩频码水印（Multi-Channel Spread-Spectrum Code Watermarking）的新方法，用于解决大型语言模型（LLM）生成代码的归属问题。现有方案分为生成时水印和事后水印：生成时水印需要访问产生模型且无法应用于第三方代码；事后水印虽可处理任意代码，但有效载荷最多仅4比特，不足以区分大量模型配置。本文首次实现了一种事后、无需训练、具有24比特有效载荷且具备形式化鲁棒性保证的代码水印方案。该方法在变量命名约定和八对语义等价的代码模式中编码比特，并通过密钥伪随机排列将每个位置映射到码字比特，使得每个比特获得多个独立投票。多数投票吸收分布式损坏，而外层的Reed-Solomon码在集中信道攻击破坏投票时恢复标识符，从而为格式化、句法和结构攻击提供了可证明的鲁棒性边界。在来自CodeNet、GPT-4.1和Llama-4生成的1750个Python文件上，该方法实现了100%的干净检测准确率和零误报。在17种攻击类型下，它能在8次变量重命名后以97.6%的准确率恢复标识符，在10%随机位置损坏下达到94.1%的准确率，而最强的事后基线在任何单变换攻击下准确率降至0%。嵌入和检测均在CPU上不到200毫秒完成，无需训练数据或GPU。