跑通代码-ICCV2021-HiNet: Deep Image Hiding by Invertible Network

系列文章目录

• 跑通代码—CVPR2020–StegaStamp: Invisible Hyperlinks in Physical Photographs
• 跑通代码—WACV2020-Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection

---

文章目录

• 系列文章目录
• 前言
• 一、官方代码介绍
• 二、DIV2K数据集的下载
• 三、测试官方模型
• 3.1 测试说明
• 3.2 结果展示
• 3.3 训练模型
• 3.4 测试训练模型的结果
• 四、避坑指南
• 总结

---

前言

关于论文的详解请参考博文：基于可逆神经网络的图像隐藏技术 (ICCV 2021) - HiNet: Deep Image Hiding by Invertible Network

---

一、官方代码介绍

官方代码链接HiNet 下载或者直接git clone之后有以下文件。model下面储存模型，测试时选择官方的模型model.pt，训练阶段会按照生成频率50个epoch生成训练的模型。

二、DIV2K数据集的下载

DIV2K数据集，下载最后两个High Resolution Images。

将下载的800张训练数据集DIV2K_train_HR和100张测试数据集DIV2K_valid_HR放在dataset文件夹中。

三、测试官方模型

3.1 测试说明

将官方的模型放在文件model/model.pt，然后修改config.py对应的参数，主要时模型的路径，数据集的路径，直接运行test.py，测试过程中会在image下四个子文件中生成对应的宿主图像、水印图像、嵌入水印之后的图像和提取水印的图像。

3.2 结果展示

第一排是原始的宿主图像，第二排是原始的水印图像，也就是需要嵌入到原始宿主图像的信息，第三排是嵌入水印图像之后的图像，能看到，嵌入水印之后的图像与原始的图像非常的相似，肉眼几乎无法分辨，说明算法的不可感知性很好，最后一排是提取出来的水印图像，与第二排的原始水印图像很相近，说明算法的鲁棒性很好，恢复水印图像的能力很强。在图像水印算法中，应该对嵌入水印图像之后的图像进行图像攻击，然后再提取水印图像，如果依然能很好的提取出来水印图新，说明算法的鲁棒性很好，这里的攻击可以是噪声攻击，滤波攻击，几何攻击等等。

3.3 训练模型

运行train.py文件，便能开始训练。

3.4 测试训练模型的结果

训练200多个epoch之后，使用保存的model_checkpoint_00200.pt进行测试，还是使用dataset的数据集，只需要将config.py中的第56行改成 suffix = ‘model_checkpoint_00200.pt’，其他的和测试官方模型一样，得到的结果如下，与官方的模型结果不分伯仲。

四、避坑指南

1. 有的包报错，说没有dll文件，明明自己安装了包，就是报错，最好的办法就是卸了重新装一遍。
2. 训练时出现freeze_support()错误可以将datasets.py第64行改成num_workers=0，测试时出现freeze_support()错误可以修改datasets.py第73行改成num_workers=0。
3. 遇到GPU内存溢出的时候减少config.py第16行的batch_size，实验所用显卡是1050 Ti，batch_size=2不会溢出。

---

总结

跑通了ICCV2021的一篇关于图像隐藏算法的程序，整个程序写的非常好，条理清晰，很容易就能跑通程序，得到论文中的结果。