引言

随着人工智能的快速发展，伪造图像与视频（如 Deepfake、AI绘图生成内容）在网络中呈现爆发式增长。这类合成内容不仅威胁个人隐私与社会稳定，也对图像的真实性与版权保护提出了巨大挑战。例如，AI工具能够轻松生成虚假新闻图片或恶意篡改照片，使公众难以辨别真伪。如何在保障图像内容可信性的同时兼顾版权保护，成为当前亟需解决的问题。

Dall·E2软件生成的宠物照，难以辨别真伪

篡改定位的挑战

现有的篡改检测方法大多存在三方面不足：

1. 鲁棒性不足：对未知噪声或小范围篡改不够敏感；

2. 泛化性差：往往只适用于特定的篡改类型，难以“一举多得”；

3. 对抗性弱：容易被反检测技术绕过，导致检测失效。

因此，构建一个能够同时实现篡改定位与版权保护的统一水印框架显得尤为重要

EditGuard 框架概述

EditGuard 是一个基于深度学习的多功能主动取证框架，它的核心思想是将“双重水印”嵌入图像：

• 定位水印：用于精确标记篡改区域；

• 版权水印：确保图像来源和版权信息可追溯。

框架包含三个主要模块：

• 篡改定位器：输出篡改掩码，逐像素标出被修改区域；

• 版权提取器：在退化或篡改后的图像中仍能恢复版权水印；

• 统一图像隐写网络（IBSN）：实现水印的嵌入与恢复，结合小波变换、可逆块设计以及深度特征提取来保证精确性和鲁棒性

此外，EditGuard引入了基于提示的后验估计模块（PPEM），能够提升模型在复杂退化条件下的适应性；同时采用双层优化策略，减少不同子模块间的干扰，提高整体性能。

实验与结果

研究团队在 COCO 数据集上进行了零样本训练（未使用篡改数据），并设计了两个专门用于AI生成内容篡改检测的数据集：

• AGE-Set-C：粗糙篡改数据集，使用 ControlNet、SDXL 等工具生成；

• AGE-Set-F：精细篡改数据集，涵盖手工复杂编辑场景。

实验结果显示：

• 在 AGE-Set-C 上，EditGuard 的 F1-score 超过95%，IoU接近90%，版权水印恢复准确率超过 99.8%；

• 在 AGE-Set-F 的复杂篡改场景中，其他方法几乎完全失效，而 EditGuard 仍能清晰标注篡改区域；

• 在噪声、压缩等退化条件下，EditGuard 始终保持较高的检测与恢复性能，展现了出色的鲁棒性