近日，我校网络空间安全学院夏道勋教授团队在信息科学领域国际TOP期刊《Information Processing & Management》（中科院SCI一区，IF=8.1）在线发表题为“Frequency-Spatial Dual-Domain Imperceptible Watermarking for Robust Image Datasets Copyright Protection”的研究论文。

随着人工智能技术快速发展，高质量图像数据集已成为模型训练的重要资源，其采集、清洗和标注往往需要投入大量成本。然而，数据集在共享和流通过程中面临未经授权复制、使用等风险。现有触发式数据集水印方法容易受到JPEG压缩、图像模糊和噪声等常见处理的影响；单纯依靠模型响应的验证方式，也难以核验验证查询的来源。如何在维持模型正常性能与图像质量的同时，提升水印的抗失真能力与权属验证可靠性，是数据集安全亟待解决的问题。

传统数据集水印方法与所提双域框架的流程对比

传统方法通常通过空间触发信号诱导模型产生预设响应，并以单一行为结果作为权属验证依据。在图像经历压缩、模糊等处理后，验证效果可能受到影响。对此，研究团队将频域-空域双域嵌入、抗失真训练与两阶段所有权验证相结合，既关注权属信号在实际处理条件下的稳定性，也补充对验证查询来源的核验。

围绕上述问题，团队构建了集“水印生成与注入”和“所有权验证”于一体的完整技术框架，将频域分析、样本筛选、自适应嵌入、鲁棒协同训练与双阶段核验衔接起来，实现从受保护图像数据到下游模型行为及查询来源的协同验证。

频域-空域双域不可感知水印与两阶段所有权验证总体框架

在水印生成与注入环节，团队利用Grad-FFT频率分析识别兼具模型敏感性与一定抗失真能力的频域区域，并结合决策边界感知样本选择策略，在有限的水印注入预算下筛选合适的水印载体，随后根据图像局部纹理信息自适应调节嵌入强度，以兼顾视觉不可感知性与水印有效性。研究进一步采用混合非对称鲁棒协同训练，针对分类模型与私有水印提取器设置互补的训练目标，提高权属信号在JPEG压缩、高斯模糊和噪声等条件下的稳定性。

在MNIST、CIFAR-10、CIFAR-100、Caltech-101及PASCAL VOC等基准数据集上开展实验，覆盖低分辨率和高分辨率图像分类及语义分割等任务。实验结果表明，所提方法在保持与未加水印模型相近的正常任务性能的同时，具有较好的视觉不可感知性。面对JPEG压缩、高斯模糊和噪声等常见处理，水印仍保持较高有效性；研究还对几何变换、水印去除预处理和黑盒迁移攻击等情形进行了评估，进一步考察了方法在不同使用条件下的适用性。

该研究围绕人工智能安全中的数据集版权保护问题，将所有权信号的构建、向下游模型的传递与权属核验纳入统一框架，兼顾图像视觉质量、模型正常任务性能、失真鲁棒性和验证可靠性，为图像数据资产的版权保护与可信使用提供了新的研究思路。

我校网络空间安全学院2024级网络空间安全专业硕士研究生杜晓婕为论文第一作者，夏道勋教授为论文通讯作者。该研究得到国家自然科学基金（62566013、62166008）和贵州省科技厅科技计划项目（黔科合平台 KXJZ[2025]022）的联合资助。

论文全文链接：https://doi.org/10.1016/j.ipm.2026.105235