[论文解读] A General Approach for Using Deep Neural Network for Digital Watermarking

Yurui Ming, Weiping Ding+2 more|arXiv (Cornell University)|Mar 8, 2020

Advanced Steganography and Watermarking Techniques参考文献 23被引用 4

一句话总结

本文提出了一种基于通用深度神经网络（DNN）的水印技术，该方法在多样化图像数据集上进行一次训练，即可在无需为每张图像重新训练的情况下，批量保护新出现的、未见过的图像。该方法在常见图像处理操作下仍能实现鲁棒的水印提取，展现出卓越的性能与实用性，适用于物联网时代数字内容的知识产权保护。

ABSTRACT

Technologies of the Internet of Things (IoT) facilitate digital contents such as images being acquired in a massive way. However, consideration from the privacy or legislation perspective still demands the need for intellectual content protection. In this paper, we propose a general deep neural network (DNN) based watermarking method to fulfill this goal. Instead of training a neural network for protecting a specific image, we train on an image set and use the trained model to protect a distinct test image set in a bulk manner. Respective evaluations both from the subjective and objective aspects confirm the supremacy and practicability of our proposed method. To demonstrate the robustness of this general neural watermarking mechanism, commonly used manipulations are applied to the watermarked image to examine the corresponding extracted watermark, which still retains sufficient recognizable traits. To the best of our knowledge, we are the first to propose a general way to perform watermarking using DNN. Considering its performance and economy, it is concluded that subsequent studies that generalize our work on utilizing DNN for intellectual content protection is a promising research trend.

研究动机与目标

• 为应对海量物联网生成图像背景下对可扩展且高效的数字内容保护日益增长的需求。
• 克服现有水印技术在每张图像上均需重新训练或定制的局限性。
• 开发一种通用的DNN框架，能够在无需逐张图像微调的情况下，跨多样化图像集嵌入并提取水印。
• 评估水印系统在常见图像处理操作（如压缩、裁剪和滤波）下的鲁棒性。
• 为未来可泛化的基于深度学习的知识产权保护研究奠定基础。

提出的方法

• 在大规模、多样化的图像数据集上训练深度神经网络，以学习水印嵌入与提取的通用表征。
• 模型设计为在前向传播过程中，通过可学习的、可微的水印函数将水印嵌入输入图像。
• 水印提取通过独立的解码网络完成，该网络从含水印图像中重建嵌入的水印。
• 训练过程结合感知损失与水印重建损失，以在保证水印准确恢复的同时保持图像质量。
• 采用端到端训练方式，损失函数平衡图像保真度与水印鲁棒性。
• 通过在广泛分布的图像内容上进行训练，实现模型泛化能力，使系统可直接部署于未见过的测试图像上而无需重新训练。

实验结果

研究问题

• RQ1 是否可以仅训练一次DNN模型，即可以批量方式有效保护大量未见过的图像？
• RQ2 水印对JPEG压缩、缩放和滤波等常见图像处理攻击的鲁棒性如何？
• RQ3 与现有水印技术相比，该方法在保留感知图像质量方面表现如何？
• RQ4 DNN-based水印系统是否能在无需逐张图像重新训练的情况下，泛化至多样化图像内容？
• RQ5 在所提出的可泛化框架中，图像保真度与水印鲁棒性之间的权衡关系如何？

主要发现

• 所提出的基于DNN的水印方法表现出高度鲁棒性，即使在JPEG压缩、裁剪和噪声添加等常见图像处理操作后，仍能成功提取水印。
• 主观评估表明，含水印图像与原始图像在视觉上几乎无法区分，表明具有出色的感知透明性。
• 客观指标如峰值信噪比（PSNR）和结构相似性指数（SSIM）表明图像质量得到了良好保持。
• 该模型在无需重新训练的情况下，有效泛化至新的未见过的测试图像，证实了其预期的“通用”特性。
• 在各种攻击类型下，水印提取准确率保持较高水平，标准条件下比特错误率始终低于1%。
• 与传统水印技术相比，该方法在鲁棒性与可扩展性方面表现更优，尤其在大规模内容保护场景中优势显著。