arXiv:2511.19316v2 Announce Type: replace 
Abstract: Recent fine-tuning techniques for diffusion models enable them to reproduce specific image sets, such as particular faces or artistic styles, but also introduce copyright and security risks. Dataset watermarking has been proposed to ensure traceability by embedding imperceptible watermarks into training images, which remain detectable in outputs even after fine-tuning. However, current methods lack a unified evaluation framework. To address this, this paper establishes a general threat model and introduces a comprehensive evaluation framework encompassing Universality, Transmissibility, and Robustness. Experiments show that existing methods perform well in universality and transmissibility, and exhibit some robustness against common image processing operations, yet still fall short under real-world threat scenarios. To reveal these vulnerabilities, the paper further proposes a practical watermark removal method that fully eliminates dataset watermarks without affecting fine-tuning, highlighting a key challenge for future research.

أجرى دراسة حديثة تقييمًا لتقنيات وضع العلامات المائية على مجموعات البيانات بهدف تحسين تتبع نماذج الانتشار المخصصة، مع معالجة المخاطر المتعلقة بحقوق الطبع والنشر والأمان المرتبطة بتعديل هذه النماذج. أنشأت الدراسة إطار تقييم شامل يقيم طرق وضع العلامات المائية بناءً على العالمية، وقابلية النقل، والصلابة، مما يكشف عن نقاط الضعف في الأساليب الحالية.

Un estudio reciente evaluó las técnicas de marca de agua de conjuntos de datos destinadas a mejorar la trazabilidad de los modelos de difusión personalizados, abordando los riesgos de derechos de autor y seguridad asociados con el ajuste fino de estos modelos. La investigación estableció un marco de evaluación integral que evalúa los métodos de marca de agua en función de la universalidad, la transmisibilidad y la robustez, revelando vulnerabilidades en los enfoques existentes.

Une étude récente a évalué les techniques de filigrane de jeu de données visant à améliorer la traçabilité des modèles de diffusion personnalisés, abordant les risques de droits d'auteur et de sécurité associés à l'affinage de ces modèles. La recherche a établi un cadre d'évaluation complet qui évalue les méthodes de filigrane en fonction de l'universalité, de la transmissibilité et de la robustesse, révélant des vulnérabilités dans les approches existantes.

A recent study evaluated dataset watermarking techniques aimed at enhancing the traceability of customized diffusion models, addressing the copyright and security risks associated with fine-tuning these models. The research established a comprehensive evaluation framework that assesses watermarking methods based on Universality, Transmissibility, and Robustness, revealing vulnerabilities in existing approaches.