在數(shù)字內(nèi)容創(chuàng)作領(lǐng)域，生成式AI技術(shù)的飛速發(fā)展讓視頻創(chuàng)作變得前所未有的簡單。只需輸入一段文字描述，先進的AI模型就能生成栩栩如生的視頻內(nèi)容。然而，隨著這類技術(shù)的普及，一個關(guān)鍵問題也隨之浮現(xiàn)：如何保護這些AI生成內(nèi)容的版權(quán)？如何證明某段視頻確實由特定的AI服務(wù)生成，而非被他人盜用？

這正是由清華大學(xué)蘇子涵、蔣唐瑜、莊俊豪等研究人員，聯(lián)合中國科學(xué)院自動化研究所的邱學(xué)睿、華南理工大學(xué)的徐宏斌、深圳人工智能與數(shù)字經(jīng)濟實驗室（廣東）的李明和余飛理查德，以及新加坡管理大學(xué)的何勝豐教授共同推出的"Safe-Sora"研究所要解決的問題。這項研究成果于2025年5月發(fā)表在arXiv預(yù)印本平臺（arXiv:2505.12667v1），標題為《Safe-Sora: Safe Text-to-Video Generation via Graphical Watermarking》。

想象一下，如果你是一家科技公司，開發(fā)了一個強大的視頻生成AI模型。你希望用戶能使用你的技術(shù)創(chuàng)作精彩內(nèi)容，但同時也擔(dān)心，如何證明這些視頻確實出自你的技術(shù)？更重要的是，如果有人盜用這些內(nèi)容，你如何證明所有權(quán)？

傳統(tǒng)的解決方案是在內(nèi)容中嵌入水印——一種肉眼難以察覺但可以通過特定技術(shù)提取的標記。在圖像生成領(lǐng)域，這種技術(shù)已經(jīng)相當(dāng)成熟。但在視頻生成領(lǐng)域，水印技術(shù)仍處于起步階段?，F(xiàn)有的視頻水印方法大多只能嵌入簡單的二進制碼（類似于0和1組成的編碼），而非更直觀、更容易識別的圖形標識（如公司logo）。

這就是Safe-Sora的創(chuàng)新之處。這個框架首次實現(xiàn)了在AI視頻生成過程中直接嵌入圖形水印，就像給生成的視頻加上了一個獨特的、難以偽造的"身份證"。

研究團隊的靈感來源于一個有趣的發(fā)現(xiàn)：當(dāng)水印圖像與承載它的內(nèi)容在視覺上相似時，水印的效果會顯著提升。簡單來說，如果你想在一張貓的圖片中嵌入水印，使用與貓相關(guān)的圖形會比使用完全不相關(guān)的圖形（如一個抽象的標志）效果更好。

基于這一發(fā)現(xiàn)，Safe-Sora采用了一種分層的"粗到細"自適應(yīng)匹配機制。首先，它將水印圖像（比如公司logo）分割成小塊，然后通過智能算法將每個小塊分配到視頻中最適合它的幀和位置。這就像是在視頻中尋找最適合藏匿水印各部分的"安全屋"，確保水印既不會破壞視頻質(zhì)量，又能在需要時被準確提取。

為了更好地處理視頻的時空特性，研究團隊還開發(fā)了一種基于3D小波變換的Mamba架構(gòu)（一種先進的人工智能模型），配合獨特的空時局部掃描策略。這聽起來可能有點復(fù)雜，但可以這樣理解：傳統(tǒng)的水印技術(shù)就像是在一張照片上加標記，而Safe-Sora的方法則考慮了視頻的流動性，就像是在一條河流中釋放特殊的、只有特定設(shè)備才能檢測到的熒光染料，即使河水流動，這些染料的模式依然可以被識別。

研究團隊使用了廣泛應(yīng)用的Panda-70M數(shù)據(jù)集作為視頻源，這個數(shù)據(jù)集包含7000萬個高質(zhì)量視頻片段，涵蓋各種類別。而水印則來自Logo-2K+數(shù)據(jù)集，這是一個包含各種真實世界logo的大型集合。

在實驗中，Safe-Sora的表現(xiàn)令人印象深刻。與現(xiàn)有方法相比，它不僅保持了極高的視頻質(zhì)量，水印的保真度也非常出色，而且對各種常見的視頻處理操作（如壓縮、裁剪、旋轉(zhuǎn)等）具有很強的抵抗力。特別是在衡量視頻時間一致性的Fréchet視頻距離（FVD）指標上，Safe-Sora的得分為3.77，遠低于第二好的方法154.35，這表明其處理視頻連貫性的能力遠超其他方法。

Safe-Sora的工作原理可以分為三個主要步驟：

首先是粗到細的自適應(yīng)補丁匹配。這個過程就像是一個精明的珠寶商，要將一塊寶石（水?。╄偳兜揭粭l項鏈（視頻）中，他會仔細研究項鏈的每個部分，找出最適合寶石各個部分的位置。系統(tǒng)將水印圖像分割成小塊，然后通過計算每個小塊與視頻各幀之間的視覺相似度，決定將它們放在哪里。這種策略確保了水印能夠巧妙地融入視頻內(nèi)容，既不影響視頻質(zhì)量，又能保持水印信息的完整性。

第二步是水印嵌入。這一步利用了一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，稱為"2D空間-頻率Mamba塊"，將水印信息與視頻特征進行融合。想象一下，這就像是在紡織一塊精美的布料，水印的線和視頻的線交織在一起，肉眼看起來是一整塊布，但在特定光線下，水印的圖案就會顯現(xiàn)出來。

最后是水印提取。當(dāng)需要驗證視頻版權(quán)時，系統(tǒng)使用另一個專門的網(wǎng)絡(luò)，通過特定的算法從視頻中提取出原始水印圖像。即使視頻經(jīng)過了壓縮、裁剪或其他處理，這種方法仍能成功提取出清晰的水印，證明視頻的出處。

Safe-Sora的實驗結(jié)果令人信服。在視頻質(zhì)量評估上，它的PSNR（峰值信噪比）達到42.50，遠高于其他方法；在水印質(zhì)量方面，它的PSNR為37.71，同樣遙遙領(lǐng)先。更重要的是，在面對各種常見的視頻處理操作時，如隨機擦除、高斯模糊、高斯噪聲、旋轉(zhuǎn)和H.264壓縮，Safe-Sora都展現(xiàn)出了極強的魯棒性，即使在高壓縮率下也能成功提取水印。

這項研究的意義不僅限于學(xué)術(shù)領(lǐng)域。隨著AI生成內(nèi)容越來越普及，版權(quán)保護變得日益重要。Safe-Sora提供了一種可靠的方法，使創(chuàng)作者和平臺能夠保護自己的知識產(chǎn)權(quán)，同時也為用戶提供了一種驗證內(nèi)容來源的手段。比如，如果你看到一段聲稱是某AI平臺生成的視頻，你可以使用相應(yīng)的水印提取工具來驗證它是否真的來自該平臺。

雖然Safe-Sora展現(xiàn)出了令人印象深刻的性能，但研究團隊也承認，目前該方法主要適用于靜態(tài)圖形水印，如logo或圖標。在未來的工作中，他們計劃探索更復(fù)雜的水印形式，如動畫序列或動態(tài)模式，以進一步提升水印的安全性和適應(yīng)性。

總的來說，Safe-Sora代表了視頻生成水印技術(shù)的一個重要突破，為AI生成內(nèi)容的版權(quán)保護提供了一種新的、有效的解決方案。隨著生成式AI技術(shù)的不斷發(fā)展，這類保護機制將變得越來越重要，而Safe-Sora無疑為這一領(lǐng)域指明了前進的方向。

研究團隊表示，他們將在論文正式發(fā)表后公開相關(guān)代碼，供學(xué)術(shù)界和產(chǎn)業(yè)界進一步探索和應(yīng)用。對于那些對AI生成內(nèi)容版權(quán)保護感興趣的研究人員和開發(fā)者來說，這將是一個寶貴的資源。