一种用于图像水印去除的自监督卷积神经网络
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
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
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
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
本文提出了一种弱监督和自监督的深度卷积神经网络 (WSSDCNN)，用于内容感知的图片缩放，该方法通过学习一个注意力映射，实现像素级别的从源图像到目标网格的映射，从而得到内容感知的图片缩放效果。
Aug, 2017
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
利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程，采用伯努利采样从输入图像数据集中选择样本进行训练，并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果，实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能，突显了该方法作为各种噪声去除任务的有效性和实用性。
Jul, 2023
该论文探讨了自我监督方法在无监督视觉表示学习中的重要性，提出之前 CNN 设计的标准配方不一定适用于自我监督表示学习， 并大幅度提高了之前提出技术的性能，超越了之前公布的最先进结果。
Jan, 2019