[论文解读] An Automated and Robust Image Watermarking Scheme Based on Deep Neural Networks

Xin Zhong, Pei-Chi Huang+2 more|arXiv (Cornell University)|Jul 5, 2020

Advanced Steganography and Watermarking Techniques参考文献 35被引用 9

一句话总结

本文提出了一种基于深度学习的、自动化的、盲式且鲁棒的图像水印方案，采用专门设计的卷积神经网络以无监督方式学习嵌入与提取过程。该方法在无需事先了解攻击类型的情况下，对多种失真（包括手机拍摄图像）均表现出高度鲁棒性，展现出在物联网设备注册和访问控制等实际应用中的强大性能。

ABSTRACT

Digital image watermarking is the process of embedding and extracting a watermark covertly on a cover-image. To dynamically adapt image watermarking algorithms, deep learning-based image watermarking schemes have attracted increased attention during recent years. However, existing deep learning-based watermarking methods neither fully apply the fitting ability to learn and automate the embedding and extracting algorithms, nor achieve the properties of robustness and blindness simultaneously. In this paper, a robust and blind image watermarking scheme based on deep learning neural networks is proposed. To minimize the requirement of domain knowledge, the fitting ability of deep neural networks is exploited to learn and generalize an automated image watermarking algorithm. A deep learning architecture is specially designed for image watermarking tasks, which will be trained in an unsupervised manner to avoid human intervention and annotation. To facilitate flexible applications, the robustness of the proposed scheme is achieved without requiring any prior knowledge or adversarial examples of possible attacks. A challenging case of watermark extraction from phone camera-captured images demonstrates the robustness and practicality of the proposal. The experiments, evaluation, and application cases confirm the superiority of the proposed scheme.

研究动机与目标

• 开发一种自动化图像水印系统，以消除对手动设计和领域专业知识的需求。
• 在各种失真（包括相机拍摄等现实世界退化）条件下，实现水印提取的鲁棒性。
• 通过无需原始载体图像即可提取水印的方式，实现盲水印。
• 以无监督方式训练水印模型，减少人工干预和标注需求。
• 在物联网设备注册和安全通信通道等实际场景中展示其可应用性。

提出的方法

• 设计了一种专用于图像水印的自定义深度神经网络架构，集成嵌入与提取功能。
• 采用重建损失以无监督方式训练模型，学习水印嵌入与提取过程，无需标注数据。
• 利用深度卷积神经网络的拟合能力，泛化复杂图像特征以实现鲁棒水印。
• 通过端到端训练实现鲁棒性，隐式学习抵抗常见图像失真，无需对抗样本。
• 通过学习的滤波器在频域或特征空间中嵌入水印，保持感知质量并支持盲提取。
• 系统采用双路径网络结构，一条路径用于嵌入水印，另一条用于提取水印，两者通过自编码目标联合训练。

实验结果

研究问题

• RQ1 深度神经网络能否在无需人工设计规则的情况下，自动学习图像水印的嵌入与提取过程？
• RQ2 无监督深度学习模型在缺乏攻击类型先验知识的情况下，其水印提取鲁棒性能达到何种程度？
• RQ3 该方案在从现实世界退化图像（如手机摄像头拍摄）中提取水印方面的有效性如何？
• RQ4 该方法能否应用于物联网设备注册和私密通信通道等实际应用？
• RQ5 在所提出的无监督框架中，感知质量、鲁棒性与盲提取准确率之间的权衡关系如何？

主要发现

• 该方案在手机拍摄图像上仍能实现超过95%的水印提取准确率，表明对现实世界失真具有强大鲁棒性。
• 无监督训练方法使模型能够泛化水印功能，无需标注训练数据或手动调参。
• 该方法成功实现了盲水印提取，解码过程中无需原始载体图像。
• 在常见图像攻击（如压缩、噪声、缩放）下，该方案优于现有基于深度学习的水印方法。
• 应用案例表明，该水印机制可通过基于二维码的凭证嵌入，实现安全的物联网设备注册和私密聊天室访问控制。
• 系统保持了高感知保真度，标记图像中无明显视觉失真，主观与客观图像质量度量均予以证实。