Print-Camera Resistant Image Watermarking With Deep Noise Simulation and Constrained Learning

抗打印扫描隐写论文2024

---

摘要

本文提出了一种有效的抗打印相机(P-C)图像水印方案。为了实现水印鲁棒性，现有的大多数研究都试图通过一个复杂的数学模型来模拟P-C噪声。然而，现实世界中P-C噪声的多样性被忽略，水印图像可能无法在高鲁棒性和低失真之间取得很好的平衡。为了解决这一问题，我们构建了一种高效的端到端水印嵌入和提取网络架构。具体来说，设计了一个深度噪声仿真网络(NSN)来模拟真实P-C噪声的融合过程，从而生成高鲁棒性的水印图像。提出了一种基于just- visible difference (JND)的多任务损失函数，对含有水印信息的残差图像进行约束学习，从而显著降低了生成的水印图像的失真。实验结果表明，该方案在保持满意的水印容量和水印图像视觉质量的同时，对P-C过程具有较高的鲁棒性。

---

一、INTRODUCTION

在这个过程中，当水印信息嵌入到数字载体图像中时，必须保证它不影响图像的视觉内容(我们称之为不可见水印)，并且可以很容易地从捕获、打印的水印图像中提取出来。然而，不可见水印不可避免地面临着额外的挑战;即P-C过程中产生的各种叠加噪声会大大增加水印信息提取的难度。有人可能会认为，传统的鲁棒不可见水印技术[3]，[4]可以提供一个很好的解决方案，因为它具有很高的鲁棒性，可以抵抗不同形式的攻击。不幸的是，大多数传统的鲁棒水印方案只适用于数字环境;也就是说，它们可以抵抗不同形式的图像处理干扰，如裁剪、压缩、旋转、缩放和平移。

二、主要贡献

1.主要贡献

1本文提出了一种基于深度噪声模拟和约束学习的抗P-C水印网络结构，该结构可以抵抗P-C过程中产生的叠加噪声，从而在高鲁棒性和低失真之间取得令人满意的平衡。
2提出了一种模拟真实P-C噪声融合过程的深度噪声仿真网络，有助于生成高鲁棒性的水印图像。
3设计了一种基于just- visible difference (JND)的多任务损失函数，对含有水印信息的残差图像进行约束学习，可以显著降低生成的水印图像的失真程度。

三、总结

在本文中，我们提出了一种抗P-C噪声攻击的鲁棒端到端图像水印方案。我们首先提出了一种改进的U-Net编码器结构，通过增加原始图像的下采样反馈，可以在编码过程中将更多的原始图像信息带入到水印图像中。此外，我们分析了P-C过程造成的失真，然后构建深度NSN，有效地模拟了基于数学模型的方法忽略的噪声，减少了不必要的过拟合噪声，从而有助于生成高度鲁棒的水印图像。设计了多任务损失函数，对含有水印信息的残差图像进行约束学习，使其与原始图像的JND图相似，验证了该方法能够显著降低水印图像的失真。大量的实验表明，我们的方案的整体性能优于一些最先进的方案。

在今后的工作中，我们将从以下三个方面继续完善我们的方案。首先，我们将研究一种轻量级的水印模型，以进一步降低计算复杂度。其次，可以在端到端模型中集成水印图像定位网络，对拍摄过程中产生的变形进行自动校正。最后，除打印拍摄外，还可以在噪声层中加入截屏过程中的典型噪声，如噪音，并结合相关数据集构建深度网络进行截屏噪声仿真，提高鲁棒性。