Alors que les générateurs d'images par intelligence artificielle (IA) deviennent plus sophistiqués, le défi de vérifier l'origine et les droits d'auteur des images qu'ils produisent s'est intensifié. Les filigranes traditionnels de post-traitement, ajoutés après la création d'une image, peuvent être facilement supprimés ou contournés, laissant les créateurs de contenu et les plateformes vulnérables aux abus. En réponse, une équipe de recherche a développé Latent Seal, un nouveau cadre de filigrane qui intègre les filigranes directement dans le processus de génération des modèles de diffusion latente (LDM), offrant une solution plus durable et intégrée pour la protection des droits d'auteur.
Le cadre, développé par des chercheurs de l'Université Polytechnique de Macao, de l'Université de Technologie du Guangdong, de l'Université Jinan et de l'Institut d'Automatique de l'Académie Chinoise des Sciences, a été détaillé dans une étude publiée dans Machine Intelligence Research le 17 juin 2026 (DOI: 10.1007/s11633-025-1620-y). Latent Seal fonctionne en utilisant un encodeur d'espace latent pour mélanger un filigrane RVB en couleur complète dans la représentation interne du modèle pendant le processus de génération d'images. Un décodeur apparié récupère ensuite le filigrane à partir des images protégées, permettant à la fois la détection de contenu génératif et la vérification des droits d'auteur.
L'équipe a construit Latent Seal autour de Stable Diffusion 2.1, l'entraînant sur un ensemble de données de 74 247 images générées et leurs représentations latentes, provenant de prompts de DiffusionDB et JourneyDB. Le système fige le réseau de débruitage original, clone et ajuste finement le décodeur de l'autoencodeur variationnel (VAE), et insère l'encodeur de filigrane dans un bloc de décodage intermédiaire. Le décodeur est entraîné pour récupérer le filigrane à partir des images protégées et renvoyer une sortie vide pour les images non protégées, réduisant ainsi les faux positifs.
Lors des tests de référence, Latent Seal a démontré des performances impressionnantes. Les images filigranées ont atteint un rapport signal sur bruit de crête de 44,29 décibels et un indice de similarité structurelle de 0,9933, indiquant une dégradation visuelle minimale. Les filigranes récupérés ont atteint 39,19 décibels, 0,9971 de similarité structurelle et 0,9992 de corrélation croisée normalisée, montrant une haute fidélité dans la récupération des filigranes. La méthode s'est également montrée résistante à une large gamme de distorsions courantes, y compris les changements de luminosité, de contraste et de saturation, le flou, le bruit, la compression, les retournements, le recadrage et la rotation. De plus, Latent Seal n'ajoutait que 7,33 millisecondes lors de l'incorporation et 2,26 millisecondes lors de l'extraction, le rendant pratique pour des applications en temps réel.
L'un des principaux avantages de Latent Seal est sa capacité à transporter une image en couleur complète comme filigrane, offrant une capacité d'identification plus grande que de simples signatures binaires. Cela permet des informations de provenance plus détaillées, telles que l'identité du créateur ou le logo du fournisseur de modèle. La méthode a également montré des performances cohérentes à travers différents modèles, y compris Stable Diffusion XL et Stable Diffusion 3.5, et à travers différentes résolutions d'image.
Les chercheurs soulignent que Latent Seal est conçu pour faire de la protection de la provenance une partie intégrante de la création d'images plutôt qu'une réflexion après coup. "L'objectif est de préserver la qualité visuelle attendue par les utilisateurs tout en donnant aux fournisseurs de modèles un moyen pratique de vérifier l'origine après que les images ont été éditées ou partagées", ont-ils noté. "Nos résultats suggèrent qu'une récupération solide du filigrane et un faible impact visuel peuvent être obtenus ensemble."
Les applications potentielles de Latent Seal sont larges. Il pourrait soutenir les vérifications de provenance pour les générateurs d'images commerciaux, aider dans les enquêtes sur les médias sociaux, aider à résoudre les litiges de droits d'auteur, assister dans la modération de contenu et faciliter la gestion des actifs numériques. La capacité d'intégrer un filigrane en couleur complète pourrait également servir de dissuasion contre une utilisation non autorisée, car le filigrane peut être extrait et comparé à la référence du fournisseur pour confirmer la propriété.
Cependant, le système actuel a des limites. Chaque nouveau filigrane nécessite un réentraînement, et la précision de récupération diminue légèrement à mesure que la complexité du filigrane augmente. Pour remédier à cela, les chercheurs proposent des travaux futurs sur la fusion de caractéristiques dans le domaine fréquentiel et un adaptateur léger pour supporter des filigranes arbitraires sans réentraînement complet. Ils suggèrent également que Latent Seal est mieux utilisé en conjonction avec d'autres outils d'authentification de contenu, tels que les politiques de divulgation et les normes de métadonnées, plutôt que comme une garantie autonome.
Cette recherche représente une étape significative vers des systèmes d'images génératives plus traçables et responsables. En intégrant les filigranes directement dans le processus de génération, Latent Seal offre une solution pratique et robuste au défi croissant de la provenance du contenu IA.
