给 AI 图片加水印，难点不只是“藏进去”，还要回答：图片被压缩、裁剪或编辑后，标记还能不能认出来？过去，不同方法的代码和测试方式各不相同，横向比较很费劲。Leyi Pan 等人推出的 MarkDiffusion，把潜空间扩散模型——先在压缩后的内部表示中生成、再还原图像的模型——所用的生成式水印收进同一个开源 Python 工具箱。
它统一实现了 8 种图像或视频水印算法，并把嵌入、检测和“反推生成噪声”拆成可替换模块。配套评测包含 24 种工具和 8 条自动流程，集中检查可检测性、抗压缩或裁剪等干扰的鲁棒性，以及画质损失。论文最有价值的一点，是让方法差异真正落到同一张表上：例如在高斯模糊测试中，PRC 的 F1 分数仅为 0.02，而 ROBIN 和 WIND 均为 1.00。作者还报告，工具箱在 Stable Diffusion v2.1 等设置下基本复现了各方法官方实现的结果。它没有发明一种新水印，但为这个仍缺少统一尺度的领域补上了实验基础设施。