У цій статті представлено розробку системи генерації зображень, яка використовує технології цифрового водяного знака та вбудовування метаданих для визначення того, чи було зображення створене моделлю штучного інтелекту. Система виступає як проміжний сервіс між провайдерами та кінцевими користувачами, забезпечуючи безшовну інтеграцію цих технологій. Зі зростанням обсягу контенту, створеного штучним інтелектом, стає все складніше відрізняти такі зображення від автентичних. Крім того, відсутність універсальних інструментів для керування згенерованими активами та вбудовування метаданих створює неефективність і ризики, пов’язані з автентичністю та інтелектуальною власністю. Тому важливо створити життєздатне централізоване рішення, яке інтегрує заходи захисту в будь-яке зображення, створене користувачем, незалежно від сервісу-джерела. Система працює як проміжне програмне забезпечення, сумісне з наявними генеративними моделями, надаючи уніфікований інтерфейс для користувачів. Розроблений конвеєр спрощує як додавання водяних знаків у процес генерації, так і вбудовування метаданих. Інтуїтивний інтерфейс покращує зручність використання, а централізоване сховище дозволяє користувачам керувати та перевіряти створений контент. Цей підхід є інноваційним, оскільки поєднує цифрове водяне маркування, інтеграцію метаданих і централізоване керування в єдиній платформі. На відміну від наявних інструментів, орієнтованих на конкретні платформи, ця система забезпечує міжсервісну функціональність. Рішення є надзвичайно актуальним для забезпечення автентичності контенту, управління інтелектуальною власністю та зручності користувачів. Воно підвищує довіру до цифрового контенту та забезпечує масштабовану архітектуру, яка може адаптуватися до різних платформ і потреб. Майбутні дослідження можуть розширити цей підхід на ширші сфери інформаційних технологій — від неграфічних генеративних моделей до модулів на рівні операційних систем для захисту від згенерованих продуктів.
[1] Fernandez P, Couairon G, Jégou H, Douze M, Furon T. The stable signature: rooting watermarks in latent diffusion models. arXiv.org. https://arxiv.org/abs/2303.15435. Published March 27, 2023.
[2] Xu R, Hu M, Lei D, et al. InvisMark: Invisible and robust watermarking for AI-generated image provenance. arXiv.org. https://arxiv.org/abs/2411.07795. Published November 10, 2024.
[3] Jiang Z, Guo M, Hu Y, Gong NZ. Watermark-based attribution of AI-Generated content. arXiv.org. https://arxiv.org/abs/2404.04254. Published April 5, 2024.
[4] Fernandez P. Watermarking across Modalities for Content Tracing and Generative AI. arXiv.org. https://arxiv.org/abs/2502.05215. Published February 4, 2025.
[5] Li G, Chen Y, Zhang J, et al. Warfare:Breaking the watermark protection of AI-Generated content. arXiv.org. https://arxiv.org/abs/2310.07726. Published September 27, 2023.
[6] Padhi, S. K., Tiwari, A., & Ali, S. S. (2024). Deep learning-based dual watermarking for image copyright protection and authentication. IEEE Transactions on Artificial Intelligence, 1–12. https://doi.org/10.1109/tai.2024.3485519
[7] Fairoze, J., Ortiz-Jiménez, G., Vecerik, M., Jha, S., & Gowal, S. (2025, February 7). On the Difficulty of Constructing a Robust and Publicly-Detectable Watermark. arXiv.org. https://arxiv.org/abs/2502.04901
[8] Simmons, J. C., & Winograd, J. M. (2024, May 20). Interoperable Provenance Authentication of Broadcast Media using Open Standards-based Metadata, Watermarking and Cryptography. arXiv.org. https://arxiv.org/abs/2405.12336
[9] SynthID. (2025, February 25). Google DeepMind. https://deepmind.google/technologies/synthid/
[10] OpenAI joins C2PA Steering Committee - C2PA. (n.d.). https://c2pa.org/post/openai_pr/
[11] Balan K, Agarwal S, Jenni S, Parsons A, Gilbert A, Collomosse J. EKILA: Synthetic Media Provenance and Attribution for Generative Art. arXiv.org. https://arxiv.org/abs/2304.04639? Published April 10, 2023.
[12] Longpre S, Mahari R, Obeng-Marnu N, et al. Data Authenticity, Consent, & Provenance for AI are all broken: what will it take to fix them? arXiv.org. https://arxiv.org/abs/2404.12691v1? Published April 19, 2024.
[13] Bieniek J, Rahouti M, Verma DC. Generative AI in Multimodal User Interfaces: Trends, challenges, and Cross-Platform Adaptability. arXiv.org. https://arxiv.org/abs/2411.10234. Published November 15, 2024.
[14] Tolomei G, Campagnano C, Silvestri F, Trappolini G. Prompt-to-OS (P2OS): Revolutionizing Operating Systems and Human-Computer Interaction with Integrated AI Generative Models. arXiv.org. https://arxiv.org/abs/2310.04875. Published October 7, 2023.
[15] Luera R, Rossi RA, Siu A, et al. Survey of user interface design and Interaction Techniques in Generative AI Applications. arXiv.org. https://arxiv.org/abs/2410.22370v1. Published October 28, 2024.
[16] C2PA specifications :: C2PA specifications. https://c2pa.org/specifications/specifications/2.1/index.html.
[17] Bond-Taylor S, Leach A, Long Y, Willcocks CG. Deep Generative Modelling: a comparative review of VAEs, GANs, normalizing flows, Energy-Based and autoregressive models. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2021;44(11):7327-7347. https://doi.org/10.1109/tpami.2021.3116668