基于元学习的扩散模型水印检测器分布外攻击快速恢复方法

《IEEE Access》：Meta-Watermarking for Detection Recovery under Attack Shift: Empirical Analysis of FOMAML-Based Fast Adaptation

　　

摘要：

扩散模型水印检测器通常在固定攻击分布下进行评估，尽管部署系统面临持续的攻击偏移。当分布外攻击降低检测质量时，完全重新训练对于延迟敏感的验证服务而言过于缓慢。本文将有水印检测恢复公式化为任务级适应问题，并提出了一种元水印框架，通过一阶模型无关元学习（FOMAML）在10维ROBIN环形频率特征上学习共享的检测器初始化。恢复以满足固定TPR/FPR操作点所需的最小适应步数k^?来衡量。在六个数据规模（16–512张图片）、七种攻击类型和四种方法的测试中，元初始化的11参数逻辑检测器在N = 128时对未见过的旋转变换攻击实现了零样本恢复（k^? = 0），TPR = 0.875，FPR = 0.063，而完全重新训练需要k^? = 2。仅进行阈值重新校准在该规模下的旋转变换攻击上失败，表明在中等数据预算下学习到的初始化仍然有益。特征提取后，检测器每张图片分类耗时0.079毫秒，比主导端到端延迟的共享DDIM反演阶段小约43,000倍。对五个单种子规模（N = 16–256）的探索性Spearman趋势表明恢复速度随规模增加而加快，但纳入N = 512的压力测试（n = 6）后该相关性消失，且多种子恢复率呈非单调性，因此该趋势不能推广到所有测试规模。因此，结果与元初始化作为所测试旋转变换攻击偏移的实用恢复机制相一致，但在高噪声条件下的恢复仍然有限。