[论文解读] ReDMark: Framework for Residual Diffusion Watermarking on Deep Networks

Mahdi Ahmadi, Alireza Norouzi+5 more|arXiv (Cornell University)|Oct 16, 2018

Advanced Steganography and Watermarking Techniques参考文献 27被引用 9

一句话总结

ReDMark 提出了一种端到端、盲化、基于残差全卷积神经网络（FCN）的水印框架，可在任意变换域中学习自适应的水印嵌入与提取模式。通过集成可微分攻击层（如 JPEG）并利用循环卷积实现大范围数据扩散，ReDMark 在鲁棒性与不可感知性方面优于当前最先进方法。

ABSTRACT

Due to the rapid growth of machine learning tools and specifically deep networks in various computer vision and image processing areas, application of Convolutional Neural Networks for watermarking have recently emerged. In this paper, we propose a deep end-to-end diffusion watermarking framework (ReDMark) which can be adapted for any desired transform space. The framework is composed of two Fully Convolutional Neural Networks with the residual structure for embedding and extraction. The whole deep network is trained end-to-end to conduct a blind secure watermarking. The framework is customizable for the level of robustness vs. imperceptibility. It is also adjustable for the trade-off between capacity and robustness. The proposed framework simulates various attacks as a differentiable network layer to facilitate end-to-end training. For JPEG attack, a differentiable approximation is utilized, which drastically improves the watermarking robustness to this attack. Another important characteristic of the proposed framework, which leads to improved security and robustness, is its capability to diffuse watermark information among a relatively wide area of the image. Comparative results versus recent state-of-the-art researches highlight the superiority of the proposed framework in terms of imperceptibility and robustness.

研究动机与目标

• 为解决数字水印领域长期存在的不可感知性与鲁棒性平衡难题。
• 通过深度学习实现盲水印系统的端到端训练，消除对手工设计嵌入规则的依赖。
• 通过学习的自适应模式在大范围图像区域扩散水印数据，提升安全性和鲁棒性。
• 在训练过程中将真实世界攻击（如 JPEG 压缩）作为可微分层进行模拟，以增强系统抗性。
• 证明在频域（低频、中频、高频）中学习的嵌入策略优于固定的传统方法。

提出的方法

• 该框架采用两个残差全卷积网络（FCNs）分别用于嵌入与提取，以盲化方式端到端训练。
• 实现 JPEG 压缩攻击的可微分近似作为可学习层，以在训练期间模拟真实世界失真。
• 采用循环卷积以实现跨边界特征共享，避免边缘伪影，增强图像边界处的扩散效果。
• 通过学习的掩码将水印数据扩散至大范围空间区域，扩散模式根据训练目标和攻击配置而自适应生成。
• 系统为 0 和 1 比特学习独立的嵌入策略，实现在变换域中水印能量的非均匀、自适应分布。
• 通过对比含全零掩码与单比特掩码的水印图像，可视化扩散模式，揭示空间与频域的嵌入行为。

实验结果

研究问题

• RQ1 端到端的深度学习框架是否能在不依赖固定嵌入规则的前提下，学习到鲁棒且不可感知的水印模式？
• RQ2 在训练过程中对攻击（如 JPEG）进行可微分模拟，如何影响水印系统的鲁棒性？
• RQ3 水印数据的大范围扩散在多大程度上提升了对常见图像处理攻击的鲁棒性？
• RQ4 不同的训练目标（如特定攻击配置）如何影响嵌入水印能量的频谱分布？
• RQ5 在不同训练条件下训练的网络中，DCT 域内学习到的水印模式在视觉与定量上是否可区分？

主要发现

• 由于采用可微分攻击的端到端训练，ReDMark 在鲁棒性与不可感知性方面优于近期最先进方法，包括 [27]。
• 使用可微分 JPEG 攻击层显著提升了对 JPEG 压缩的抗性，经对比实验验证。
• GT-NET 主要将水印嵌入在 DCT 高频系数中，JT-NET 倾向于低频带，而 MT-NET 则采用在低频与中频区域分布的策略。
• 扩散模式表明，循环卷积有效实现了图像边界间的数据共享，防止边缘退化，提升鲁棒性。
• 所有网络均避免在 DC 系数中嵌入水印，表明其已学习到对图像质量约束与 PSNR 下降的敏感性。
• 扩散模式与频率能量曲线在嵌入比特位置上保持不变，证实了嵌入行为的一致性与自适应性。