The Vulnerability of Neural Audio Watermarks under Speech Enhancement
该论文研究神经音频水印（neural audio watermark）在语音增强（Speech Enhancement, SE）模型面前的鲁棒性问题。研究背景是：随着商业语音生成系统大量部署神经水印以实现 AI 生成语音的可溯源，业界对其鲁
#watermark-removal
共收录 3 条相关情报。
← 返回所有主题DRIFT: Removing Diffusion Watermarks by Deflecting the Generative Trajectory
扩散模型水印技术通过在生成过程中嵌入可验证信号，并在验证时恢复与生成轨迹相关的证据来确认水印，因此对常规的像素空间扰动具有较强的鲁棒性。已有的水印去除攻击要么沿确定性轨迹执行再扩散，但这类轨迹往往保留了含有水印的潜在结构；要么需要对每张图像
Dataset Reduction and Watermark Removal via Self-supervised Learning for Model Extraction Attack.
本文提出一种基于自监督学习的模型提取攻击方法，旨在同时实现数据集缩减和水印移除。传统模型提取攻击通常需要大量查询和完整训练数据，且可能保留原始模型的水印。作者利用自监督学习（如对比学习）从目标模型中提取知识，仅需少量未标记样本即可训练一个紧