Dec, 2020

WDNet: 用于可见水印去除的水印分解网络

PDF
TL;DR该研究提出了一种名为 Watermark-Decomposition Network（WDNet）的二阶段生成器，旨在分离图片中的水印，而不仅仅是简单地删除它们，并通过构建一个命名为 CLWD 的大规模数据集来显示 WDNet 在可见水印识别和去除性能上的优越性
visible watermarkswatermark removalimage-to-image translationwatermark-decomposition networkcolored watermark removal dataset
发现论文，激发创造
  • 基于条件生成对抗网络的逼真可见水印去除

    本文提出了一种基于条件生成式对抗网络的水印去除框架，该方法在大规模可见水印数据集上经过广泛实验验证，相对于现有技术，能够更加真实逼近照片级别的效果。

    May, 2019

  • WMFormer++：嵌套 Transformer 用于隐式联合学习的可见水印去除

    采用 Transformer 和嵌套结构的方法对数字水印的提取和背景修复进行统一处理，通过简化现有的框架实现了最先进的性能并生成高质量的图像。

    Aug, 2023

  • 分离与细化：用堆叠式注意力引导的 ResUNets 移除盲目单张图像可见水印

    使用多通道注意力与多感知损失的多任务网络，通过两个阶段的过程，提出了一个架构鲁棒性更强且盲目去除可见数字水印的算法，该算法在四个不同数据集下比其他方法表现更突出。

    Dec, 2020

  • 感知自供训练网络用于噪声图像水印去除

    本文提出了一种用于嘈杂图像水印移除的感知自监督学习网络 (PSLNet)，它基于并行网络来去除噪音和水印，在结构信息和像素增强方面改善图像水印移除效果，通过综合实验验证了该方法在与卷积神经网络 (CNNs) 相比的嘈杂图像水印移除方面的高效性。

    Mar, 2024

  • 强大且可控的盲图像分解

    为了实现对盲图像分解过程的控制，我们设计了一种名为可控盲图像分解网络的架构，它允许用户选择要去除或保留的降解类型，并在最小的计算成本下实现了分解和重组功能，以实现盲图像分解任务和用户意图的高效输出。

    Mar, 2024

  • 基于深度分解合成网络的快速单张图像去雨

    本文设计了一种新的多任务深度学习体系结构，通过分解网络将雨图像分为干净的背景和雨层，进而进行去雨处理和图像恢复。实验结果表明，该结构在速度快、效果好方面表现优秀，同时具有广泛的应用前景。

    Apr, 2018

  • 基于小波的双分支网络的图像去莫尔纹去除

    本文设计了基于小波变换和空间注意力机制的双分支网络（WDNet），用于图像去马赛克处理，并在 Rain 100 和 Raindrop 800 数据集上优于现有的图像去雨滴方法。

    Jul, 2020

  • 深度神经网络的功能耦合水印

    本文提出了一种新颖的 DNN 数字水印技术以有效防御模型精调和模型修剪等攻击。

    Feb, 2023

  • DPW-SDNet：双像素小波域深度 CNN 用于 JPEG 压缩图像的软解码

    本文介绍一种基于深度卷积神经网络的双像素 - 小波域软解码网络，用于通过减轻压缩和模糊等失真，提高 JPEG 压缩图像的质量，并且实验结果表明该算法优于其他压缩失真减少算法。

    May, 2018

  • ReDMark：基于残差扩散的深度网络水印框架

    本文提出了一种深度端到端扩散数字水印框架（ReDMark），可适用于任何所需的转换空间，通过两个具有残差结构的全卷积神经网络进行嵌入和提取，其整个深度网络可以进行盲水印保护，并能够扩散水印信息以提高安全性和鲁棒性。该框架在隐蔽度和鲁棒性之间具有可调整性，可以模拟各种攻击以便进行端到端的训练，其中对 JPEG 的攻击采用可微分的逼近，从而大大提高了水印的鲁棒性。与最新的研究结果相比，该框架在隐蔽度和鲁棒性方面表现优异。

    Oct, 2018