> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 如何合法地逆向SynthID
- URL: https://www.hubwiz.com/blog/how-to-reverse-synthid-legally/
- Published: 2026-03-24T12:15:03.000Z
- Updated: 2026-03-24T12:15:03.000Z
- Description: 当我说 "逆向SynthID"时，我指的是这个想法：检测内容中的SynthID水印，以及 从内容中消除SynthID水印。
- Author: admin
- Tags: ALGORITHM, GEEK, #Import 2026-10-14 14:41

你知道当你让Nano Banana生成图片时，右下角有个小钻石标志吗？

![](https://www.hubwiz.com/blog/content/images/2026/03/image-256.png)

讨厌这个东西

虽然很烦，但你可以直接裁剪掉。会破坏图片比例，不过是最简单的方法。

有人想出了一个[取巧的方法](https://github.com/dearabhin/gemini-watermark-remover?ref=hubwiz.com)来不裁剪直接去除它，你可能以为就没事了。

**还没完！** Gemini仍然会标记它为AI生成的。为什么？

因为Gemini增加了一层额外的安全保护——SynthID，这是由[Google DeepMind](https://deepmind.google/models/synthid/?ref=hubwiz.com)开发的技术，能在AI生成的内容中嵌入不可察觉的数字水印——包括图像、音频、视频和文本——以识别其合成来源。

## 1、为什么需要SynthID？

AI正在改变我们创造和消费内容的方式，我们处处都能感受到它的影响。从生成逼真的图像和视频（比如[脑残迪士尼皮克斯预告片](https://www.youtube.com/watch?v=Lnv6B509Vqs&ref=hubwiz.com)）到写故事和创作[音乐](https://www.youtube.com/watch?v=ZUHpUXlsvbI&ref=hubwiz.com)，AI垃圾正在占领互联网。我真的看了一个完全由AI生成的关于银行抢劫案的1小时纪录片，天哪！

但随着所有这些进步，也存在风险。AI生成内容的[滥用](https://edition.cnn.com/2025/06/21/tech/ohchat-onlyfans-for-the-ai-era-katie-price?ref=hubwiz.com)可能导致人们对网上看到的内容失去信任。对AI生成内容来源的透明度非常需要——或者更准确地说，这应该是原创内容创作者和最终用户的默认期望。

为了应对这些挑战，Google DeepMind的研究团队开发了**SynthID**，一种帮助为合成媒体添加水印和识别的技术。

## 2、那么...它长什么样？

![](https://www.hubwiz.com/blog/content/images/2026/03/image-257.png)

图片的SynthID

这就是SynthID在所有像素下面的样子。同样的技术被应用于Gemini生成的音频、视频和文本。

![None](https://www.hubwiz.com/blog/content/images/2026/03/0-VpgbismZu5zNXikf.png)

音频波形的SynthID水印

![None](https://www.hubwiz.com/blog/content/images/2026/03/0-VErov7sNqFrd6pyR.png)

文本的SynthID水印

## 3、逆向SynthID到底是什么？

当我说 **"逆向SynthID"**时，我指的是这个*想法*：

- **检测内容中的SynthID水印**，以及
- **从内容中消除SynthID水印**

#### 为什么要这么做？

哈哈好问题 好玩。

从这里开始，我将记录我检测和删除Gemini生成的视觉和文本内容中水印的旅程。

## 4、SynthID检测

Reddit用户发现SynthID是一种机器可检测但人眼无法察觉的嵌入图像中的模式。

![](https://www.hubwiz.com/blog/content/images/2026/03/image-258.png)

关于synthid最早的帖子之一（来源：[reddit](https://www.reddit.com/r/nanobanana/comments/1o1tvbm/nano%5Fbananas%5Fwatermark/?ref=hubwiz.com)）

检测SynthID最基础的方法之一涉及一个非常简单的策略：

- 让Nano Banana生成完全白色的图片
- 增强对比度
- 饱和图像
- 对饱和度进行去噪

![](https://www.hubwiz.com/blog/content/images/2026/03/image-259.png)

这从经验上看是SynthID的纯图案之一。根据SynthID的论文，该图案是由编码器*f*随机生成的，作为随机种子和有效载荷（图像）的组合。

![None](https://www.hubwiz.com/blog/content/images/2026/03/1-Uh2u4pKsaBIf_1gTMPuAyg.png)

其中，

- *c*是均匀采样的*C*位二进制有效载荷
- 编码器*f*现在取决于图像*x*和有效载荷*c*
- 解码器*g*预测有效载荷位

所以，这个图案是随机的。我们当然可以弄清楚那部分，但是...

问题是，我们不知道*f*或*g*。

我们最好的猜测是使用多镜头计算机视觉算法来平均它。

### 4.1 构建解码器（预测器）

我们从两组数据开始：

1. Nano Banana生成的100张纯白图片和100张纯黑图片
2. Nano Banana编辑的15万张图片对

第一组数据允许我们建立SynthID信号的基线频率模式。更准确地说，我们是在平均信号的码本。

通过平均它们的噪声图案，我分离出了一致的底层水印——频域中的扩频相位编码。

![](https://www.hubwiz.com/blog/content/images/2026/03/image-260.png)

从100张白色和100张黑色图像提取的相位编码频谱

我们知道水印不是简单的噪声。我们需要分离编码器*f*分配给每个图像的频域载波。这就是15万数据集的图片对发挥作用的地方。确切地说，是123,268对原始和AI编辑的图片。

用2D FFT在这个频谱上比较原始和AI编辑的图片，结果发现在99.99%的图片对中，特定载波频率处存在一致的相位关系！

![None](https://www.hubwiz.com/blog/content/images/2026/03/0-Imb6sGC7jxKbGWgC.png)

从15万数据集提取的频域载波合并

- **(±14, ±14)：主对角线载波**
- **(±126, ±14)：次水平载波**
- **(±98, ±14)：第三载波**
- **(±128, ±128)：中心频率**
- **(±210, ±14)：扩展载波**
- **(±238, ±14)：边缘载波**
- … 还有更多

这成为我们的码本*f(x)*。

最终的水印基线成为我们的通用解码器*g*。

![None](https://www.hubwiz.com/blog/content/images/2026/03/0-BA6J7QEiR8kP3M4G.jpeg)

平均后的SynthID水印

看看12.3万张图片整理后的样子：

![](https://www.hubwiz.com/blog/content/images/2026/03/image-261.png)

放大查看彩蛋

### 4.2 让DIY预测器检测SynthID

1. *提取噪声*：首先，获取图像的**噪声层**。这通常通过从图像本身减去去噪版本来完成，分离出细微的非随机模式。
2. *查看频率*：对这个噪声层运行2D快速傅里叶变换（FFT）来查看其频率组成。
3. *检查位置*：检查我们码本中的特定频率坐标（如`(14, 14)`、`(126, -14)`等）。关键是检查这些位置信号的*相位*是否连贯（一致且非随机）并与预期模式匹配。
4. *做出判断*：如果图像噪声与我们码本模式之间的相关性足够高（高于约0.179）*且*相位匹配，我们就可以自信地说："是的，这张图片有SynthID水印。"

简而言之，DIY解码器*g*就像一个专门的无线电扫描器。它不听主广播（图片），而是调到特定的隐藏频率。如果它在码本\*f(x)\*中定义的那些确切频道上找到正确的、一致的信号，它就会标记该图像有水印。

### 4.3 为什么不用GAN？

当我向上级解释这个项目时，这个问题被问了一百万次——为什么不训练一个**判别器**来区分AI图像？

![None](https://www.hubwiz.com/blog/content/images/2026/03/0-sgTBhu2zrf7j4MKM.jpg)

"别停，我快到了！"——神经网络说

简短回答：判别器的特征提取层虽然旨在学习视觉模式，但被优化来学习分离数据的损失函数。判别器学习*x*上的决策边界，以最好地分离训练期间显示的分布。

这里的重点是，SynthID不会改变图像的边际分布（单个像素或小像素组）。它的生成器在固定的频率子空间（前面讨论的频率载波）中引入扩频扰动（外行话：随机性）。

- p(*x* | 有SynthID) ≈ p(*x* | 无SynthID)

这正是它能经受人工检查和常见图像变换的原因。也正因如此，判别器在没有视觉伪影改变的情况下无法区分图像。

## 5、SynthID去除

这是一些严肃的领域，已有工作证明SynthID去除是[几乎不可能的](https://allenkuo.medium.com/synthid-image-watermark-research-report-9b864b19f9cf?ref=hubwiz.com)。

很多技术已经被尝试、测试并悲惨地失败了。确实，100%去除SynthID是不可能的，但去除它的部分是可能的，直到检测失败为止！

要*去除*SynthID，我们需要理解*它是如何被添加的*。

### 5.1 SynthID是如何被引入图像的

SynthID不会像盖章一样在图像上添加水印。它是在生成过程中被编织进图像的——在扩散模型的潜在空间层面。

![None](https://www.hubwiz.com/blog/content/images/2026/03/1-sjLAZvU56ni_-l4NzRoLdw.png)

来自SynthID论文

- **潜在噪声初始化**：在扩散过程开始之前，初始噪声张量不是纯粹随机的。它被一个与有效载荷`c`相关的结构化扰动播种。
- **频域注入**：编码器`f`在我们之前识别的特定载波频率处引入相位偏移——`(±14, ±14)`、`(±126, ±14)`等。这些偏移低于感知阈值但在统计上一致。
- **去噪保留信号**：巧妙之处在于。随着扩散模型逐步去噪，水印信号*存活*下来，因为它位于去噪器视为"真实内容"而非噪声的频段中。
- **有效载荷绑定**：最终图像与有效载荷`c`密码学绑定。这意味着水印不只是"这是AI生成的吗？"——它编码了*哪个模型*、*哪个会话*，可能还有*哪个用户*。

### 5.2 去除策略：不要对抗信号，迷惑解码器

![None](https://www.hubwiz.com/blog/content/images/2026/03/0-qS4Nor8yY8SEirwn.jpg)

在《黑客帝国》中，Neo没有击败系统；他压倒了它

由于我们无法完全去除水印（数学上成立），目标转变为：**让解码器`g`无法达到其置信阈值**。

回顾整个前提：*我们不需要删除水印*。我们只需要解码器`g`**失败其置信阈值检查**。那个阈值在相关性>0.179处。降到那条线以下我们就成功了。

构建了三个（加半个）绕过版本，每个都比上一个更精准。

### 5.3 V1：🥀🥀🥀

第一次尝试非常简单——JPEG压缩，质量为50。

![None](https://www.hubwiz.com/blog/content/images/2026/03/1-4m83IzeSLgVvyajF_sNNRg.png)

它尴尬地失败了。JPEG量化在DCT域工作，确实会去除*一些*高频内容，但SynthID的载波频率被故意放置以经受标准压缩。

这仍然是一个有用的失败。它证实了扩频设计正在发挥作用——信号分布在足够的频域中，以至于单靠压缩在完全破坏图像质量之前*做不了任何有意义的事*。

### 5.4 v1.5：全力以赴（再次🥀）

在完全投入更聪明的方法之前，我经历了一个**随便试试看**的阶段。五个不同的攻击阶段叠加在一起——噪声、频率扰乱、JPEG循环、位操作、OpenCV里的某些东西。很尴尬，就像[这家伙](https://www.linkedin.com/in/aloshdenny/?ref=hubwiz.com)一样。

![None](https://www.hubwiz.com/blog/content/images/2026/03/1-jv-y3JXiriEA_9PpJeTmLQ.png)

噪声阶段在sigma约5处添加高斯噪声（因为6和7在Tiktok上很火），然后用双边滤波把它降回来（有助于保留边缘）。

这个想法是松散地模仿扩散模型在低去噪强度下所做的：添加噪声，重建，希望模型落在稍微不同的统计盆地。

SynthID..完全无视。

载波相位扰乱理论上可以通过将相位旋转到随机角度来破坏水印。*理论上*（纸上可行）。

实际上，你只是在试图猜测信号中有多少是水印 vs 实际图像内容，最终你会破坏更多实际图像，得到一团糟。

最后那部分实际上让事情变得更糟。每次我混合回原始图像时，我都在重新引入水印。

![None](https://www.hubwiz.com/blog/content/images/2026/03/1-_-xzlEzBHFaZWEmfkg5I7Q.png)

### 5.5 V2：再失败。失败得更好。

在SynthID论文的某个地方，有一个鲁棒性表格。它显示了不同攻击类别下的真阳性率（TPR）。单独的变换——JPEG、噪声、模糊——几乎不影响它。但"组合最坏情况"那行写着**约84% TPR**。

84。不是99。这意味着同时叠加不同变换类别，你只需要同时在多个方向上制造麻烦就能获得**约16%的逃避率**。

所以V2变成了：从六个方向同时攻击它。

空间破坏：微小的仿射变换，±0.3°旋转，±0.5%缩放，±1px平移，然后是0.3-0.8%裁剪和调整大小，然后是1-2px透视扭曲。

然后，质量降级、噪声+去噪、颜色破坏（色度子采样）和叠加破坏。

在`aggressive`强度下：PSNR约34 dB，置信度从1.0降到约0.4。

仍然可检测。仍然没完成。

### 5.6 V3

![None](https://www.hubwiz.com/blog/content/images/2026/03/1-G0A8_Jo03OwjdsEozfJjLQ.png)

当你和Claude锁定并真正搞明白了

码本🥀

天哪，为什么我一开始没想到这个？？！与其盲目攻击图像，我可以逆向工程码本！

这就是为什么从200张纯白和纯黑图片中提取水印图案的工作很重要。在纯黑的Nano Banana图像上，每个非零像素值*就是*水印——没有内容可以分离。把所有这些与所有纯白图像平均，你就得到了每个频率仓、每个通道的水印信号的精确幅度和相位。

## 6、我们的码本如何帮助欺骗SynthID检测器？

***这将是超级技术性的，我写这个的时候嗨了***

提取每个颜色通道的FFT，构建要目标的仓的掩码：只目标那些*既*在码本中高幅度（肯定是载波）*又*在参考图像间相位一致（不是图像内容渗透）的仓。

通常目标仓的数量比码本捕获的少得多。

狩猎逻辑：大声且不一致的仓——可能是图像。一致且安静的仓——噪声底。我们瞄准的是这两种情况的交叉点。

对于每个目标仓，减去量是码本水印幅度乘以去除比例，硬性限制在该仓图像自身幅度的30%。

因为水印在任何给定频率上通常不到内容能量的10%——如果你开始减去超过30%，你就在吃掉图像本身。

***我现在清醒了，给你们简单解释一下***

假设水印的码本告诉我们：在频率仓`(14, 14)`，水印幅度为`0.8`，相位为`1.2弧度`。这是我们从平均200张黑白Nano Banana图片中提取的。

现在我们拿目标图像——假设是Nano Banana生成的肖像——在绿色通道上运行FFT，查看仓`(14, 14)`。我们发现幅度`12.4`，相位`1.9弧度`。图像在那里很大声。水印是骑在上面的安静乘客。

![None](https://www.hubwiz.com/blog/content/images/2026/03/0-L1a_lcFMjNm_uoPw.jpg)

现在我引起了你的注意... 我们减去多少？码本说水印在这个仓贡献`0.8`。但我们把它限制在图像幅度的30%：`0.30 × 12.4 = 3.72`。因为`0.8 < 3.72`，我们继续使用完整的`0.8`。

但关键是：我们不只是从幅度减去`0.8`就算完事了。我们**在水印相位的方向**上减去它。

就像向量一样。

水印是在角度`1.2弧度`处添加的，所以我们也在角度`1.2弧度`处移除它。

*第四学期的代数和微积分现在更有意义了*

图像在该仓的内容——无论是什么颜色信息被合法编码在相位`1.9弧度`——几乎没有被触及。我们减去的是指向**不同方向**的东西。

然后在每个目标仓重复这个过程。**逆FFT回到像素。**

解码器寻找的相位一致性消失了。我们刚好旋转了信号足够多，使解码器的相位检查失败。

这里有一个你可以放进Gemini测试的例子：

![None](https://www.hubwiz.com/blog/content/images/2026/03/1-A4dHFCAVTtYodoyR9_8EhA.png)

*左：原始SynthID水印的Gemini图片。右：V3频谱绕过后——视觉上相同，水印能量降低。*

## 7、那么...现在呢？

老实说？我不知道。

SynthID是真正优秀的工程。我能做的最好的事就是**迷惑解码器让它放弃**——实际上并没有删除它——这说明了它的设计有多好。

它不完美。但它并不想牢不可破。它想把滥用的成本提高到大多数人不愿意尝试的程度。

在这方面，它是有效的。整个项目花了数周时间，12.3万张图片对，200张纯Gemini图片，以及对扩频编码的非常特定的理解，才从V2获得约16%的逃避率，从V3获得"足够接近"的结果。

总之。仓库在[这里](https://github.com/aloshdenny/reverse-SynthID?ref=hubwiz.com)。去用它做些奇怪的东西吧。

---

原文链接：[How to Reverse SynthID (legally😉)](https://medium.com/@aloshdenny/how-to-reverse-synthid-legally-feafb1d85da2?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处