May, 2023

ReMark: 基于感受野的深度网络空间水印嵌入优化

PDF
TL;DR本研究通过深度学习提出了一种新的水印嵌入架构，使得生成的不可感知水印在保持图像质量的同时更加坚韧，针对多种常见水印失真情况具有强鲁棒性。
watermarkingdigital mediadeep learningimperceptible watermarkscollusive distortion
发现论文，激发创造
  • 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

  • 图像处理网络的模型水印技术

    基于空间隐形水印技术，提出了一种图像处理模型的水印框架，防止模型权益被侵犯。实验证明，该水印技术可抵抗不同网络结构和目标函数训练出的替代模型。

    Feb, 2020

  • 嵌入数字水印于深度神经网络

    本研究提出了一种新的数字水印技术，并设计了一个通用框架，将数字水印嵌入深度神经网络中的参数中，用于保护知识产权或检测知识产权侵权，同时不影响深度神经网络的性能。

    Jan, 2017

  • WateRF: 辐射场的鲁棒水印用于版权保护

    我们提出了一种创新的、适用于 NeRF 表示的数字水印方法，通过在渲染过程中使用离散小波变换，结合延迟反向传播技术和区块损失，实现了嵌入二进制信息的高质量渲染。通过在 2D 渲染图像中评估嵌入水印的容量、隐形性和鲁棒性等方面，我们的方法在训练速度上比与现有的最先进方法更快，并获得了最先进的性能。

    May, 2024

  • 一种基于深度神经网络的自动、高效和健壮的图像水印方案

    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

  • 失真无关的深度水印

    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

  • 深度神经网络的数字水印技术

    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

  • 盲深度学习图像水印技术对几何变换具有鲁棒性

    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

  • 从噪音中挑选水印（PWFN）：一种针对强度扭曲的改进鲁棒性水印模型

    本文提出了一种改进的数字水印算法，通过在噪声层和解码器之间引入去噪模块来增强该模型对于更强噪声的鲁棒性，同时引入 SE 模块以提高编码器的效率。实验结果表明该方法在不同噪声强度下可以媲美现有模型并且胜过同类型算法，消融实验进一步验证了我们提出的模块的优越性。

    May, 2024

  • 深度神经网络抗盗版水印

    本研究介绍了一种旨在提高深度神经网络（DNN）中数字水印鲸吞强度的方法，该方法称为空嵌入（null embedding），通过对模型进行初始训练，我们建立了模型分类精确度与水印之间的强关系，使攻击者无法通过调整或增量训练来移除嵌入式数字水印，并且可以避免第三方嵌入 “盗版数字水印” 以索取模型所有权的情况。

    Oct, 2019