基于深度学习的图像水印提取，目前的主流方案几乎都走的是端到端训练的路线。水印嵌入和提取由两个深度模型联合训练，损失函数也很直观：既要让提取出的水印与原始水印一致，又要让加水印前后的图像看起来差别不大。

具体来说，三个模块分工明确：

• 嵌入模块：接收无水印图像和水印信息，输出含水印图像。
• 噪声模块：对含水印图像加噪。
• 提取模块：从加噪后的图像中解码出水印。

听起来很完美，对吧？

但在实际应用中，这个看似完备的框架却接连碰壁，问题一个接一个地冒出来。

困境一：嵌入端受限

端到端框架要求嵌入端也得用深度学习模型。但真实场景中，嵌入端往往对处理速度和图像分辨率有很高要求。深度学习算法计算量太大，根本跑不动，只能用传统的嵌入算法。一旦嵌入端脱离了深度学习框架，端到端的联合训练也就无从谈起了。

困境二：模型难收敛

就算嵌入端勉强用了传统卷积神经网络Encoder结构，算法本身也很复杂。直接训练提取模型从图像中恢复水印信息，很容易导致模型压根不收敛，水印提取的准确性自然也大打折扣。

困境三：噪声受制约

端到端框架要求梯度在嵌入、噪声、提取三个模块中同时传播，这意味着噪声层必须可微分。这样一来，很多强噪声增强手段就被挡在门外了，模型的鲁棒性很难再往上提。

核心创新：把“一步到位”拆成“两步可解”

针对这些难题，合肥高维数据技术有限公司与中国科学技术大学联合研发了一套“中间过程监督的深度学习图像水印提取方法及系统”（专利号：ZL 202410513952.7）。这项专利目前已获得国家发明专利授权。

它的核心思路很简单：不让模型直接从输入图像生成水印信息，而是引入一个“水印特征图”作为中间产物，用这个中间产物来引导和监督训练过程。

具体来说，原本“一步到位”的水印提取任务被拆成了两个相对容易的子任务：先恢复水印特征图，再恢复水印信息。

水印提取模型采用“两层Encoder卷积神经网络层夹一层Decode卷积神经网络层”的三段式结构。

系统先根据含水印图像与无水印图像做残差计算和局域线性变化，提取出完整的水印特征图。然后对该特征图进行多重降采样，得到不同分辨率的降采样水印特征图。

训练时，模型先从低分辨率的特征图入手，再逐步恢复高分辨率的细节。

这样一来，每个模块的训练目标都比传统方法清晰得多——过去难以收敛的任务，在这个框架下，模型训练终于能顺利跑通了。

《夸克》非常好用的免费AI浏览器

下载APP查看