[论文解读] Robust Watermarking Using Inverse Gradient Attention.

Honglei Zhang, Wang Hu+3 more|arXiv (Cornell University)|Nov 21, 2020

Advanced Steganography and Watermarking Techniques参考文献 12被引用 6

一句话总结

该论文提出了一种基于逆梯度注意力（IGA）的鲁棒深度水印方案，通过动态优先处理重要像素实现数据嵌入，从而提升对各类失真的鲁棒性。此外，该方法还引入了一种互补的消息编码模块，以提高嵌入容量，在多种攻击设置下，于两个基准数据集上的表现优于当前最先进方法。

ABSTRACT

Watermarking is the procedure of encoding desired information into an image to resist potential noises while ensuring the embedded image has little perceptual perturbations from the original image. Recently, with the tremendous successes gained by deep neural networks in various fields, digital watermarking has attracted increasing number of attentions. The neglect of considering the pixel importance within the cover image of deep neural models will inevitably affect the model robustness for information hiding. Targeting at the problem, in this paper, we propose a novel deep watermarking scheme with Inverse Gradient Attention (IGA), combing the ideas of adversarial learning and attention mechanism to endow different importance to different pixels. With the proposed method, the model is able to spotlight pixels with more robustness for embedding data. Besides, from an orthogonal point of view, in order to increase the model embedding capacity, we propose a complementary message coding module. Empirically, extensive experiments show that the proposed model outperforms the state-of-the-art methods on two prevalent datasets under multiple settings.

研究动机与目标

• 为解决现有深度水印模型未能考虑载体图像中像素重要性的局限性。
• 通过对抗学习和注意力机制，聚焦于更具鲁棒性的像素，提升模型的鲁棒性。
• 在不损害鲁棒性或感知质量的前提下，提升水印模型的嵌入容量。
• 构建一个统一框架，通过新颖的注意力与编码模块，同时提升鲁棒性与容量。

提出的方法

• 提出逆梯度注意力（IGA），通过计算水印损失相对于输入像素的梯度并进行反转，以突出显示更鲁棒的区域用于嵌入。
• 将IGA图作为可学习的注意力掩码，引导水印网络优先在更不易受噪声影响的像素中进行嵌入。
• 结合对抗学习与IGA机制，训练模型以抵御常见的图像失真，如压缩、缩放和滤波。
• 提出一种互补的消息编码模块，将消息分割为多个数据流并行编码，从而提升总嵌入容量。
• 使用联合损失函数端到端训练水印模型，以平衡感知质量、鲁棒性与嵌入容量。
• 采用双分支网络架构，其中一支网络生成水印，另一支网络进行重建，从而实现通过注意力机制的有效反向传播。

实验结果

研究问题

• RQ1 如何在深度水印中有效建模像素级重要性，以提升对常见图像失真的鲁棒性？
• RQ2 基于逆梯度的注意力机制在多大程度上能增强嵌入水印的抗干扰能力？
• RQ3 互补的消息编码策略是否能显著提升嵌入容量，同时不降低鲁棒性或感知质量？
• RQ4 在多种攻击场景下，所提出的基于IGA的水印模型相较于最先进方法表现如何？

主要发现

• 所提方法在两个标准数据集上，针对多种失真类型，其鲁棒性均优于当前最先进水印模型。
• 逆梯度注意力机制成功识别并优先选择对噪声更具鲁棒性的像素，从而提升嵌入的可靠性。
• 互补的消息编码模块在不引入感知失真的前提下，有效提升了嵌入容量。
• 实验结果表明，在包括JPEG压缩、高斯模糊和图像缩放在内的多种攻击设置下，模型均表现出一致的性能提升。
• 模型保持了较高的感知质量，原始图像的失真极小，PSNR与SSIM指标表现优异。
• 通过广泛的消融实验与对比研究验证，该方法在鲁棒性与嵌入容量两方面均优于现有方法。