本发明专利技术公开了一种基于生成对抗网络的快速水印方法，属于数字水印技术领域。本发明专利技术基于一致性水印的快速生成框架，解决现有深度学习水印方法计算资源需求大的问题。传统方法需要重复调用深度模型来为每张图像或视频生成水印，计算成本高。本发明专利技术仅需一次生成水印，即可将其嵌入任意图像或视频中，无需重复调用深度模型。并且在水印效果上能够媲美现有的方法。适用于需要高效嵌入水印的场景，具有广泛的应用前景。
【技术实现步骤摘要】
本专利技术涉及数字水印，尤其涉及一种基于生成对抗网络的快速水印方法。
技术介绍
1、随着数字内容的广泛传播与共享，数字媒体的版权保护问题日益突出。数字水印技术作为一种有效的版权保护手段，已经成为数字版权管理中的重要技术。数字水印技术通过将信息隐秘地嵌入到数字媒体(如图像、视频、音频等)中，以实现版权标识、内容认证、盗版追踪等功能。传统的数字水印技术多依赖于信号处理算法，利用离散傅里叶变换(dft)、离散余弦变换(dct)、离散小波变换(dwt)等方法在频域或空域中嵌入水印。然而，随着数字内容处理技术的复杂化，传统方法在抗攻击性、不可见性以及嵌入容量等方面面临挑战。
2、近年来，深度学习技术的迅速发展为数字水印领域带来了新的机遇。深度学习模型可以自动从数据中提取特征并生成高鲁棒性的水印，使其在对抗各种复杂图像处理操作(如压缩、裁剪、添加噪声等)时表现出优越的性能。然而，现有的基于深度学习的数字水印方法通常需要在每次进行水印嵌入时，重复调用深度模型。这种高频次的模型调用导致了巨大的计算开销，限制了这些方法在实际应用中的推广，特别是在计算资源有限或需要快速处理的场景下。因此，如何在保证水印嵌入效果和鲁棒性的前提下，显著减少计算资源的消耗，已成为数字水印
的一个关键技术问题。
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种基于生成对抗网络的快速水印方法，在显著降低计算资源的消耗的同时保持高的水印识别准确度。
2、本专利技术采用的技术方案为：
3、一种基于生成对抗网络的快速水印方法，该方法包括下列步骤：
4、步骤1，获取图像数据集，并构建生成器，判别器和解码器的网络结构；
5、其中，生成器的输入包括图像数据集中的原始图像和设置的水印消息(可由用户输入)，用于生成水印图像(即带水印图像的样本)；且所有原始图像的水印消息的消息长度相同；
6、判别器网络用于评估生成器生成的水印图像与真实样本的相似性；
7、解码器用于对生成器生成的水印图像进行水印解码，输出重构水印消息；
8、步骤2，对生成器、判别器和解码器的网络参数进行初始化；
9、步骤3，基于图像识别数据集对生成器、判别器和解码器的网络参数进行联合训练；
10、步骤301，固定判别器和解码器的网络参数，基于生成器的损失函数对生成器的网络参数进行迭代优化，以使得生成器生成的水印图像(即混淆样本)逐渐逼近真实样本的数据分布。即生成器网络的损失函数用于衡量其生成样本的质量，并通过迭代优化，使生成器生成的样本更加逼真。
11、进一步的，在联合训练与一致性训练时，先对解码器的输入图像进行噪声处理，以得到失真的水印图像，再将其输入至解码器中。
12、进一步的，可将生成器在训练时的损失函数设置为：
13、
14、其中，a为判别器，g为生成器，a()、g()分别表示判别器和生成器的输出，生成器生成的水印图像is为原始图像，m为水印消息，上标i为样本编号，n为样本数量，α,β为平衡超参数，即预设的两个权重系数，为生成器的第一损失，为生成器的第二损失，即生成的水印图像与原始图像之间的均方误差，
15、为生成器的第三损失，即生成的样本与原始图像之间的相似性误差，n为样本数量。
16、进一步的，第三损失s_ssim()可具体设置为：
17、
18、其中，xi和yi是在第i个尺度上降采样后的图像，wi是该尺度的权重，l是尺度的总数。ssim(xi,yi)表示图像xi和yi之间的相似性，如结构相似性指数，余弦相似度、以及相关系数等。
19、步骤302，固定生成器和判别器的网络参数，基于解码器的损失函数对解码器的网络参数进行迭代优化，以使解码器解码的重构水印消息与原始消息(即输入生成器的水印消息)一致；
20、进一步的，可将解码器在训练时的损失函数设置为：
21、
22、其中，d为解码器，d()表示解码器的输出；
23、步骤303，固定生成器和解码器的网络参数，基于判别器的损失函数对判别器的网络参数进行迭代优化，以使判别器对原始图像与水印图像的相似性判断逼近判别结果“真”，即训练目的为使得判别器难以能够尽量判断出原始图像和水印图像；
24、进一步的，可将判别器在训练时的损失函数设置为：
25、
26、依次重复执行步骤301至步骤302，直到达到预置的训练收敛条件时结束联合训练，其中，训练收敛条件可以设置为训练轮数达到预设的最大值；
27、步骤4，对联合训练好的生成器、判别器和解码器进行一致性训练；
28、一致性训练时，从图像数据集中选取新的原始图像并基于对其设置的水印消息mj通过生成器得到水印图像并根据计算得到原始图像的水印残差εj，根据得到对应原始图像的新水印图像并将其分别输入至判别器和解码器；
29、依次按照先生成器、再解码器、最后判别器的顺序执行，且一致性训练时生成器和判别器的损失函数与联合训练一致，在解码器在联合训练时的损失函数中增加一项关于新水印图像与原始图像之间的像素级误差项作为其一致性训练的损失函数；
30、进一步的，解码器在一致性训练时的损失函数可以设置为：
31、
32、其中，为解码器以新水印图像为输入时的重构水印消息，即分别表示新水印图像和原始图像中位于像素位置索引k处的像素值，idxh表示像素值大于预设上限的像素的索引集合，idxl表示像素值小于预审下限的像素的索引集合,η为权重因子；
33、步骤5，基于一致性训练完成的生成器获取目标图像的水印图像；
34、随机选取一张图像，并为其设置水印消息，再将选取的图像与设置的水印消息输入到生成器中，基于生成器生成的水印图像计算目标图像的水印残差ε′，再将水印残差ε′添加到目标图像中的得到其水印图像。
35、进一步的，本专利技术中采用的生成器的网络结构包括三条分支；
36、第一分支依次包括：线性层、卷积层、上采样块(upsampling block)、se(squeeze-and-excitation)模块1、se模块2、基于se模块的解码网络(se decoder)、se模块3和上采样块；
37、第二分支依次包括：卷积层、se模块1、se模块2、se解码器、se模块3和上采样块；
38、第三分支依次包括：se模块1、se解码器、se模块2、上采样块、se模块3和卷积块，其中卷积块依次包括卷积操作、批归一化操作和relu激活函数；
39、第一分支的输入为水印消息，并将第一分支的se模块1的输出特征图与第二分支的se模块1的输出特征图经拼接层(cat)进行特征拼接后再作为第一分支的se模块2的输入特征图；
40、第二分支的输入为原始图像，并将第一分支的上采样块的输出特征本文档来自技高网
...
【技术保护点】
1.一种基于生成对抗网络的快速水印方法，其特征在于，包括下列步骤：
2.如权利要求1所述的方法，其特征在于，在联合训练与一致性训练时，先对解码器的输入图像进行噪声处理，以获取失真的输入图像，再将其输入至解码器中。
3.如权利要求1所述的方法，其特征在于，将生成器在联合训练时的损失函数设置为：
4.如权利要求1所述的方法，其特征在于，将解码器在训练时的损失函数设置为：
5.如权利要求1所述的方法，其特征在于，将判别器在训练时的损失函数设置为：
6.如权利要求4所述的方法，其特征在于，解码器在一致性训练时的损失函数设置为：
7.如权利要求1至6任一项所述的方法，其特征在于，生成器的网络结构包括三条分支；
8.如权利要求1至6任一项所述的方法，其特征在于，解码器包括1个卷积块、4个挤压与激励SE模块、4个SE_Decoder模块、1个卷积层和1个线性层；
9.如权利要求1至6任一项所述的方法，其特征在于，判别器的网络结构为多个卷积块的堆叠结构，其中，卷积块依次包括卷积操作、批归一化操作和ReLU激活函数。
10.如权利要求8所述的方法，其特征在于，判别器设置为四个卷积块的堆叠结构。
...
【技术特征摘要】
1.一种基于生成对抗网络的快速水印方法，其特征在于，包括下列步骤：
2.如权利要求1所述的方法，其特征在于，在联合训练与一致性训练时，先对解码器的输入图像进行噪声处理，以获取失真的输入图像，再将其输入至解码器中。
3.如权利要求1所述的方法，其特征在于，将生成器在联合训练时的损失函数设置为：
4.如权利要求1所述的方法，其特征在于，将解码器在训练时的损失函数设置为：
5.如权利要求1所述的方法，其特征在于，将判别器在训练时的损失函数设置为：
6.如权利要求4所述的方法，其特征在于，解码...
【专利技术属性】
技术研发人员：高联丽，刘可，邓慧敏，王轩瀚，宋井宽，
申请(专利权)人：电子科技大学深圳高等研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。