Jul 29, 2026 · FARI
FARI: Robust One-Step Inversion for Watermarking in Diffusion Models
FARI 提出一种基于一步反转的扩散模型水印方法，利用反转轨迹曲率低于生成轨迹的特性，将反转步骤从数十步压缩至一步，并支持端到端对抗训练以提升鲁棒性。
EVENT STORY
Development
- First ReportFARI: Robust One-Step Inversion for Watermarking in Diffusion ModelsarXiv cs.AI
- Current Assessment该工作表明扩散模型水印正从多步反转向一步反转演进，可能推动水印技术从研究走向实用部署，尤其适用于需要快速验证的场景。Agent Pulse · analysis
FARI 是一种用于扩散模型水印的一步反转方法。现有基于反转的水印方案因反转过程慢且易出错而难以实用。FARI 观察到反转轨迹曲率远低于生成轨迹，因此可被高度压缩至一步反转，同时由于外部失真主导误差，内部截断误差的权衡不再关键。更快的反转器不仅效率更高，还能使端到端对抗训练变得可行，从而直接提升鲁棒性。实验表明 FARI 在速度与鲁棒性上均优于现有方法。
FARI 利用反转轨迹的低曲率特性实现一步反转，将 NFE 从数十降至 1，同时通过端到端对抗训练直接优化鲁棒性，避免了传统方法中截断误差与鲁棒性的权衡。
该工作表明扩散模型水印正从多步反转向一步反转演进，可能推动水印技术从研究走向实用部署，尤其适用于需要快速验证的场景。
FARI 可降低扩散模型水印的计算成本，使内容认证在生成时即可完成，对内容平台和版权保护服务商具有商业价值。
下一步可验证 FARI 在更大规模扩散模型（如 Stable Diffusion 3）上的泛化能力，以及对抗训练对水印鲁棒性的实际提升幅度。