TRACE: Structure-Aware Character Encoding for Robust and Generalizable Document Watermarking

📄 arXiv: 2603.12873v1 📥 PDF

作者: Jiale Meng, Jie Zhang, Runyi Hu, Zhe-Ming Lu, Tianwei Zhang, Yiming Li

分类: cs.CV

发布日期: 2026-03-13

💡 一句话要点

TRACE：提出一种结构感知的字符编码框架，用于文档水印嵌入，提升鲁棒性和泛化性。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 文档水印 字符编码 扩散模型 结构感知 鲁棒性

📋 核心要点

  1. 现有文档水印方法依赖边缘特征或预定义码本，对噪声敏感，鲁棒性不足。
  2. TRACE框架利用字符结构的稳定性，通过扩散模型进行局部字符编码，嵌入水印信息。
  3. 实验表明，TRACE在PSNR和提取准确率上显著优于现有方法，且具有良好的跨语言和字体泛化性。

📝 摘要（中文）

本文提出TRACE，一个结构感知的框架，利用扩散模型进行局部字符编码以嵌入数据。与依赖边缘特征或预定义码本的现有方法不同，TRACE利用字符结构，由于其稳定性和跨不同字符的统一表示，从而提供对噪声干扰的固有抵抗力。我们的框架包含三个关键组件：（1）自适应扩散初始化，通过包括移动概率估计器（MPE）、目标点估计（TPE）和掩码绘制模型（MDM）在内的专用算法自动识别句柄点、目标点和编辑区域；（2）用于精确移动所选点的引导扩散编码；（3）使用专门的损失函数进行掩码区域替换，以最小化扩散过程后的特征改变。综合实验表明，TRACE的性能优于最先进的方法，在跨媒体传输后，PSNR提高了5 dB以上，提取准确率提高了5%。TRACE在多种语言和字体上实现了广泛的通用性，使其特别适合实际的文档安全应用。

🔬 方法详解

问题定义：现有文档水印方法，如基于边缘特征或预定义码本的方法，容易受到噪声干扰，鲁棒性较差。如何在保证水印不可见性的前提下，提高水印的鲁棒性和泛化性，是本文要解决的核心问题。

核心思路：本文的核心思路是利用字符结构的内在稳定性。不同于依赖于易受干扰的边缘特征，TRACE直接操作字符的结构，通过轻微调整字符内部的点的位置来嵌入信息。这种方法对噪声具有更强的抵抗力，并且可以跨不同的字体和语言进行泛化。

技术框架：TRACE框架主要包含三个阶段：1) 自适应扩散初始化：使用MPE、TPE和MDM等算法自动识别字符中的关键点（句柄点、目标点）和编辑区域。2) 引导扩散编码：利用扩散模型，精确地移动选定的关键点，从而将信息嵌入到字符结构中。3) 掩码区域替换：使用专门设计的损失函数，对修改后的区域进行优化，以最小化视觉上的改变，保证水印的不可见性。

关键创新：TRACE的关键创新在于其结构感知的字符编码方法。它直接操作字符的结构，而不是依赖于易受干扰的边缘特征。此外，自适应扩散初始化模块能够自动识别字符中的关键点和编辑区域，无需人工干预。

关键设计：在自适应扩散初始化阶段，MPE用于估计像素的移动概率，TPE用于确定目标点的位置，MDM用于生成掩码，限定编辑区域。在引导扩散编码阶段，使用扩散模型逐步调整关键点的位置。在掩码区域替换阶段，使用L1损失和感知损失的组合，以保证水印的不可见性。扩散模型的具体参数设置（如扩散步数、噪声水平等）需要根据具体应用进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，TRACE在PSNR上比现有方法提高了5dB以上，提取准确率提高了5%。即使在经过跨媒体传输后，TRACE仍然能够保持较高的提取准确率，证明了其优越的鲁棒性。此外，TRACE在多种语言和字体上都表现出良好的泛化能力，使其更具实用价值。

🎯 应用场景

TRACE技术可广泛应用于文档安全领域，例如版权保护、防伪溯源、信息隐藏等。通过将水印嵌入到文档的字符结构中，可以有效地防止未经授权的复制和篡改，提高文档的安全性。该技术尤其适用于对安全性要求较高的场景，如金融票据、法律文件、政府公文等。

📄 摘要（原文）

We propose TRACE, a structure-aware framework leveraging diffusion models for localized character encoding to embed data. Unlike existing methods that rely on edge features or pre-defined codebooks, TRACE exploits character structures that provide inherent resistance to noise interference due to their stability and unified representation across diverse characters. Our framework comprises three key components: (1) adaptive diffusion initialization that automatically identifies handle points, target points, and editing regions through specialized algorithms including movement probability estimator (MPE), target point estimation (TPE) and mask drawing model (MDM), (2) guided diffusion encoding for precise movement of selected point, and (3) masked region replacement with a specialized loss function to minimize feature alterations after the diffusion process. Comprehensive experiments demonstrate \name{}'s superior performance over state-of-the-art methods, achieving more than 5 dB improvement in PSNR and 5\% higher extraction accuracy following cross-media transmission. \name{} achieves broad generalizability across multiple languages and fonts, making it particularly suitable for practical document security applications.