Meta-FC: Meta-Learning Feature Consistency

元学习训练策略：batch 内多失真 meta-train + 留一种 meta-test + 特征一致性损失 (CVPR 2026)

Overview

Meta-FC 提出一种元学习训练策略来增强水印的特征一致性。在每个训练 batch 中，对图像施加多种失真作为 meta-train（内部学习），留一种未见失真作为 meta-test（外部测试），通过特征一致性损失（Feature Consistency Loss）确保水印编码器在不同失真下提取的特征保持稳定。

Meta-FC 是一种即插即用的训练策略，不改变模型架构，可套用在任何水印模型上。

Key facts / claims

元学习训练方案：
- Meta-Train：每个 batch 对图像施加 k 种失真（JPEG、噪声、裁剪、缩放、模糊等），训练编码器在这些失真下提取稳定的水印特征
- Meta-Test：每种 batch 留一种未见的失真，测试编码器的泛化能力
- Feature Consistency Loss：约束原始图像和失真图像的水印特征距离，实现抗失真"不变表示"

即插即用：
- 不改变水印模型的架构
- 仅修改训练循环的批量采样和损失函数
- 已套用在 5 个主流水印模型上验证

提升效果：
| 场景 | 提升幅度 |
|------|---------|
| 高强度攻击 | +1.59% |
| 组合攻击（多失真叠加） | +4.71% |
| 未知/未见失真（零样本泛化） | +2.38% |

套用验证的 5 个模型：
- 涵盖传统和深度学习水印方法
- 在所有模型上一致提升，无负面案例

技术贡献

1. 元学习范式引入水印防御：首次将 MAML 风格训练应用于水印鲁棒性
2. 特征一致性损失：比传统的最小化提取误差目标更关注不变表示
3. 即插即用兼容性：轻量级训练策略，无需重新设计模型

Related

• advmark — AdvMark 解耦防御策略
• 3d-watermarking-overview — 数字水印技术总览
• img-wm-diffusion — 图像水印综述

Sources

• CVPR 2026