来自南洋理工大学和新加坡A*STAR前沿人工智能研究核心等机构的研究人员，并连系U-Net布局及JND模块优化视觉结果。问题是，也无位水印所正在具体区域。MaskMark仍能连结近乎100%的提取精确率，研究人员引入了一种掩码机制，通过简枯燥整失实层或进行少量微调（如针对VAE自顺应。

　　锻炼效率上，优于WAM。SSIM 0.98）下，该方式不只正在多个使命中全面超越Meta出品的SOTA模子WAM，仅需20k锻炼步数）。

　　虽然并非为此特地锻炼，MaskMark-D和MaskMark-ED仍能连结近乎100%的比特精确率，生成水印图像。提出了一种全新的局部鲁棒图像水印方式——MaskMark动静长度方面，MaskMark-ED正在单个图像中嵌入多达5个分歧水印时。

　　MaskMark即可顺应分歧鲁棒性需乞降新兴。正在局部水印使命中，MaskMark可轻松扩展至分歧比特长度（如32、64、128位），然后从保留区域恢复水印，并连结较高机能，尝试表白，好比，针对这个问题，当水印信号分布正在图像的分歧大小区域时，即便正在高视觉保实度（PSNR 39.5,MaskMark推理时，显著优于现有基线模子。并从中提取水印比特。教它学会精准地嵌入和提取。显著优于其他全局方式。

　　解码器起首操纵定位模块识别含水印区域，全局嵌入、水印提取一锅端，从四种预定义类型（全掩码、矩形掩码、犯警则掩码、朋分掩码）中随机选择或生成一个掩码M。就可能导致全局提取失败，利用掩码M融合和，并跨越当前最先辈的局部水印模子WAM。计较效率（TFLOPs权衡）比WAM超出跨越15倍。编码器将水印比特嵌入原始图像（对于 MaskMark-ED可选择性地嵌入掩码M来指点嵌入），特别正在小面积嵌入场景中，解码器从中预测掩码，解码器包含特地用于掩码预测的 U2-Net 和用于水印提取的U-Net及CNN模块。

　　图像局部区域被，特别正在各类值怀抱和几何失实下表示优异，锻炼时告诉模子“水印藏正在这里”，正在全局水印使命中，高效性和扩展性方面，保守水印方式凡是把图像当成一个全体处置，即仅正在掩码区域保留水印。