Da KI-Bildgeneratoren immer ausgefeilter werden, wächst die Herausforderung, Herkunft und Urheberrecht der von ihnen erzeugten Bilder zu überprüfen. Herkömmliche Nachbearbeitungs-Wasserzeichen, die nach der Erstellung eines Bildes hinzugefügt werden, können leicht entfernt oder umgangen werden, was Content-Ersteller und Plattformen anfällig für Missbrauch macht. Als Reaktion darauf hat ein Forschungsteam Latent Seal entwickelt, ein neuartiges Wasserzeichen-Framework, das Wasserzeichen direkt in den Generierungsprozess latenter Diffusionsmodelle (LDMs) einbettet und so eine dauerhaftere und integriertere Lösung für den Urheberrechtsschutz bietet.
Das Framework, das von Forschern der Macao Polytechnic University, der Guangdong University of Technology, der Jinan University und des Instituts für Automatisierung der Chinesischen Akademie der Wissenschaften entwickelt wurde, wurde in einer Studie beschrieben, die am 17. Juni 2026 in Machine Intelligence Research veröffentlicht wurde (DOI: 10.1007/s11633-025-1620-y). Latent Seal funktioniert, indem ein Latent-Space-Encoder ein vollfarbiges RGB-Wasserzeichen während des Bildgenerierungsprozesses in die interne Darstellung des Modells einblendet. Ein gepaarter Decoder stellt das Wasserzeichen dann aus geschützten Bildern wieder her, was sowohl die Erkennung generativer Inhalte als auch die Urheberrechtsprüfung ermöglicht.
Das Team baute Latent Seal um Stable Diffusion 2.1 herum auf und trainierte es auf einem Datensatz von 74.247 generierten Bildern und ihren latenten Darstellungen, die aus Prompts von DiffusionDB und JourneyDB stammten. Das System friert das ursprüngliche Denoising-Netzwerk ein, klont und feinjustiert den VAE-Decoder und fügt den Wasserzeichen-Encoder in einen Zwischendekodierblock ein. Der Decoder wird trainiert, das Wasserzeichen aus geschützten Bildern wiederherzustellen und für ungeschützte Bilder eine leere Ausgabe zurückzugeben, wodurch Fehlalarme reduziert werden.
In Benchmark-Tests zeigte Latent Seal beeindruckende Leistungen. Wasserzeichenbilder erreichten ein Spitzen-Signal-Rausch-Verhältnis von 44,29 Dezibel und einen strukturellen Ähnlichkeitsindex von 0,9933, was auf eine minimale visuelle Beeinträchtigung hinweist. Wiederhergestellte Wasserzeichen erreichten 39,19 Dezibel, 0,9971 strukturelle Ähnlichkeit und 0,9992 normalisierte Kreuzkorrelation, was eine hohe Wiedergabetreue bei der Wasserzeichenwiederherstellung zeigt. Die Methode erwies sich auch als robust gegenüber einer Vielzahl häufiger Störungen, darunter Helligkeits-, Kontrast- und Sättigungsänderungen, Unschärfe, Rauschen, Komprimierung, Spiegelung, Zuschneiden und Drehung. Darüber hinaus benötigte Latent Seal nur 7,33 Millisekunden beim Einbetten und 2,26 Millisekunden beim Extrahieren, was es für Echtzeitanwendungen praktikabel macht.
Einer der Hauptvorteile von Latent Seal ist seine Fähigkeit, ein vollfarbiges Bild als Wasserzeichen zu tragen, was eine höhere Identifizierungskapazität bietet als einfache binäre Signaturen. Dies ermöglicht detailliertere Herkunftsinformationen, wie die Identität des Erstellers oder das Logo des Modellanbieters. Die Methode zeigte auch eine konsistente Leistung über verschiedene Modelle hinweg, einschließlich Stable Diffusion XL und Stable Diffusion 3.5, sowie über verschiedene Bildauflösungen hinweg.
Die Forscher betonen, dass Latent Seal darauf ausgelegt ist, Herkunftsschutz zu einem integralen Bestandteil der Bilderstellung zu machen und nicht zu einem nachträglichen Gedanken. „Das Ziel ist es, die visuelle Qualität zu erhalten, die Benutzer erwarten, und gleichzeitig Modellanbietern eine praktische Möglichkeit zu geben, die Herkunft zu überprüfen, nachdem Bilder bearbeitet oder geteilt wurden“, merkten sie an. „Unsere Ergebnisse deuten darauf hin, dass eine starke Wasserzeichenwiederherstellung und eine geringe visuelle Beeinträchtigung gemeinsam erreicht werden können.“
Die potenziellen Anwendungen von Latent Seal sind breit gefächert. Es könnte Herkunftsprüfungen für kommerzielle Bildgeneratoren unterstützen, bei Social-Media-Untersuchungen helfen, zur Lösung von Urheberrechtsstreitigkeiten beitragen, bei der Inhaltsmoderation helfen und die Verwaltung digitaler Vermögenswerte erleichtern. Die Fähigkeit, ein vollfarbiges Wasserzeichen einzubetten, könnte auch als Abschreckung gegen unbefugte Nutzung dienen, da das Wasserzeichen extrahiert und mit der Referenz des Anbieters verglichen werden kann, um das Eigentum zu bestätigen.
Das aktuelle System hat jedoch Einschränkungen. Jedes neue Wasserzeichen erfordert ein erneutes Training, und die Wiederherstellungsgenauigkeit nimmt mit zunehmender Komplexität des Wasserzeichens leicht ab. Um dies zu adressieren, schlagen die Forscher zukünftige Arbeiten zur Frequenzdomänen-Merkmalsfusion und einen leichten Adapter vor, um beliebige Wasserzeichen ohne erneutes Training zu unterstützen. Sie empfehlen außerdem, Latent Seal am besten zusammen mit anderen Tools zur Inhaltsauthentifizierung zu verwenden, wie z.B. Offenlegungsrichtlinien und Metadatenstandards, und nicht als eigenständige Garantie.
Diese Forschung stellt einen bedeutenden Schritt in Richtung besser rückverfolgbarer und rechenschaftspflichtiger generativer Bildsysteme dar. Durch die direkte Einbettung von Wasserzeichen in den Generierungsprozess bietet Latent Seal eine praktische und robuste Lösung für die wachsende Herausforderung der KI-Inhaltsherkunft.
