Исследователи МИЭМ ВШЭ проанализировали 30 схем полухрупких цифровых водяных знаков, опубликованных в период с 2016 по 2026 год. Такие метки сохраняются при стандартной обработке изображений, включая сжатие и изменение яркости, но позволяют выявить злонамеренные правки, такие как замена лиц или добавление объектов.
В обзор вошли 18 схем, основанных на классических методах встраивания меток в пиксели или частотные характеристики, и 12 решений на базе нейросетей. Выяснилось, что 25 методов способны локализовать измененный участок изображения, а 10 схем позволяют восстановить поврежденный фрагмент. 18 методов работают вслепую, не требуя исходной метки для проверки.
Ученые классифицировали схемы по трем уровням устойчивости в зависимости от количества допустимых операций. При этом авторы отметили ряд системных проблем: отсутствие единых метрик для оценки чувствительности к подделкам и ограниченность тестовых выборок. Многие нейросетевые методы обучаются только на лицах, что снижает их эффективность для других типов контента.
Результаты исследования опубликованы в журнале Computer Science Review. По мнению авторов, в будущем необходимо тестировать устойчивость меток к фильтрам социальных сетей и использовать более разнообразные данные для обучения нейросетей. Перспективным направлением названо создание бесконтейнерных знаков, внедряемых на этапе генерации изображения ИИ.
