Problem

生成式人工智慧（Generative AI）的普及導致假訊息與影像真實性疑慮日益嚴重。現有的多位元影像浮水印技術在資訊載體容量、對常見影像失真的強韌度（Resilience），以及缺乏嚴謹的理論支持等方面，仍存在顯著的技術瓶頸。

Method

研究團隊開發名為「ADD」（Add, Dot, Decode）的創新架構。該方法分為兩階段：首先學習一個能與多位元訊息進行線性組合並嵌入影像的浮水印；隨後透過浮水印影像與學習後的浮水印進行「內積」（Inner Products）運算來實現解碼。此研究同時提供了理論分析，解釋該學習模型與解碼規則的有效性。

Results

在 MS-COCO 基準測試中，ADD 在挑戰性極高的 48 位元浮水印任務中達成了 100% 的解碼準確率。面對多種影像失真時，其效能降幅僅不到 2%，遠優於現有頂尖技術（SOTA）平均 14% 的降幅。此外，ADD 在運算效率上展現極大優勢，嵌入速度提升 2 倍，解碼速度更比現有最快的方法提升了 7.4 倍。

Significance

這項研究解決了高容量浮水印在實務應用中的強韌度與效率難題。藉由優異的抗失真效能與極速運算能力，ADD 為大規模影像溯源與生成內容的真實性驗證，提供了具備理論基礎且更具實作價值的技術方案。