基于深度学习的音频水印嵌入方案
本文提出了一种基于深度学习神经网络的鲁棒盲水印方案,该方案实现了自适应图像水印算法,无需人工干预和注释,并且不需要事先了解敌对攻击的有关信息,实验证明了该方案的优越性。
Jul, 2020
该论文介绍了一种基于深度学习的新型文本图像水印嵌入和提取方法,通过使用 Transformer 架构进行文本处理和 Vision Transformers 进行图像特征提取,该方法在领域内树立了新的基准。该方法是深度学习在文本图像水印处理中的首次应用,实现了自适应性改进,使模型能够智能地适应特定图像特征和新兴威胁。通过测试和评估,该方法显示出比传统水印技术更强大的鲁棒性,实现了增强不可察觉性,确保水印在各种图像内容中保持不可检测。
Apr, 2024
本文提出了首个应用于基于 mel 频谱图的音频扩散模型的水印技术,以解决音频机器学习领域中模型完整性和数据版权的问题。通过无形水印触发机制,该模型在良性音频生成中具有卓越性能,并能保护模型免受未经授权的修改。
Sep, 2023
插入和提取水印以保护封面图像的秘密行为被称为图像水印。最近几年,基于深度学习的图像水印技术层出不穷。为了研究最新技术,本综述将前沿的基于深度学习的图像水印技术分为 Embedder-Extractor Joint Training、Deep Networks as a Feature Transformation 和混合方案。同时分析和总结了每个类别的研究方向。此外,还讨论了未来的潜在研究方向以展望未来的研究。
Aug, 2023
本文提出了一种基于卷积神经网络的盲水印技术,通过迭代学习框架来实现水印的鲁棒性,该方案通过学习网络来检测图像子块中的 1 比特消息,并取得了良好的鲁棒性。
Apr, 2017
通过将不可见的视听定位水印和版权水印嵌入原始视频帧和音频中,实现精确的操作定位和版权保护,解决当前视频篡改法医学中的限制,包括泛化能力差、功能单一和单模态聚焦等问题。同时,我们还设计了一个时间对齐和融合模块以及退化提示学习来提高定位精度和解码鲁棒性,引入了示例级音频定位方法和跨模态版权提取机制以耦合音频和视频帧的信息,从而验证了 V2A-Mark 在视听篡改数据集上的有效性,并强调其在定位精度和版权准确性方面的优势,对 AIGC 视频时代的可持续发展至关重要。
Apr, 2024
提出了一种新的数字水印方法,基于深度学习的 HiDDeN 架构,并添加了与几何攻击鲁棒性相关的新噪声层,证明该方法在几何鲁棒性方面胜过现有的技术,可用于保护消费者设备上查看的图像。
Feb, 2024
本文提出了一种深度神经网络数字水印技术,可用于深度神经网络的所有权授权。我们定义了嵌入深度神经网络数字水印的要求、嵌入情况和攻击类型,并提出了一种嵌入参数规则器的通用框架,最后通过实验证明我们的框架可以在深度神经网络的训练中嵌入数字水印,并在精调和参数修剪后保留所有权编码。
Feb, 2018
本文提出了一种新的框架,通过对抗训练和信道编码的方法来实现无失真鲁棒性,相比于使用固定的图像扭曲噪声的深度学习方法,该方法在训练时不需要显式对图像扭曲建模,并能对未知的扭曲实现更好的性能。
Jan, 2020