基于深度学习的数字水印理论学习（一）

一、前言

版权保护技术是指针对盗版侵权行为的确权存证以及监测、取证等技术。当前，区块链、人工智能、数字水印等版权保护应用主要集中在版权确权、监测、取证等环节；其中数字水印技术在版权确权、版权监测环节有着重要应用价值，数字水印具有查找侵权、追根溯源的能力，相比其他技术可以进一步实现对侵权行为的追踪溯源。
数字水印技术是将版权信息、唯一标识信息等以可见或不可见的方式嵌入数字作品载体中，用于证明作品来源。其中不可见的隐藏水印，具有肉眼不可发现但算法可以检测的特性，能够抵抗一定程度的剪切、拼接和编辑等操作。

二、相关技术优劣

图像水印方法通常根据其嵌入空间进行分类: 很少使用空间域 ，大多数方法都遵循TEmIt原理，例如DFT，DCT 或DWT。而基于深度学习的方法通常嵌入器将二进制字编码为隐藏在图像中的信号。在另一端，解码器逐位检索隐藏的消息。
随着盗版技术的不断升级，传统隐藏水印技术（DFT、DWT等）在复杂攻击场景中的鲁棒性面临着更加艰巨的挑战。攻击者可以通过复杂多样的编辑处理技术破坏被保护载体中所隐藏的版权信息，使得版权水印提取失效。
基于深度学习的相关技术可以加强隐藏水印的鲁棒性，能够在高效、轻量的计算下，有效的提升隐藏水印技术在多种复杂攻击下的鲁棒性。

三、技术背景

1.隐写术（Steganography）

隐写术一般指的是向图像或者视频等信息载体中嵌入隐秘信息，其中大部分隐写术算法都是基于空域等知识进行信息嵌入。近年来图像隐写术的发展也是层出不穷，从最早期的LSB、LSB-Match到内容自适应隐写术：HUGO（空域自适应隐写算法）、WOW、SUNIWARD，再到如今的深度学习隐写术。隐写算法已经可以自动的将隐秘信息嵌入到纹理、噪声丰富的图像区域，并保持复杂的图像高阶统计特性。

【传统隐写分析模型】

【基于深度学习的隐写分析模型】

对比密码技术的优势

图片源于隐写术基础 侵删

隐写技术总体上来看比密码系统更安全，但是由于密码技术的通信效率更高，所以目前生活中的加密主要还是使用密码技术。

隐写也可以和密码系统结合起来进行使用：

2.隐写分析

隐写分析是通过对图像的统计特性进行分析，判断图像中是否隐藏有额外的信息甚至估计信息嵌入量、获取隐藏信息内容的技术。目前的隐写分析研究领域通常将隐写分析看成一个二分类问题，目标是区分载体图像和载密图像。
隐写分析方法一般分为两类。一类是基于传统特征的图像隐写分析方法，这一类方法主要包含特征提取、特征增强和特征分类器三部分；其中特征提取与增强部分对于后面训练分类器有着决定性的作用，且特征选择非常依赖于人工，存在耗时长、鲁棒性差等缺陷，代表的隐写分析模型有 SPAM、SRM、DCTR等。另一类方法是基于深度学习的隐写分析方法，模型主要分为半学习模型和全学习模型。半学习模型依靠SRM的30个滤波核作为预处理层来进行网络的学习，代表的网络有Xu-Net、Ye-Net等。全学习模型则完全依靠深度神经网络强大的学习能力从纷繁复杂的像素信息中学习到重要的残差特征信息，代表的深度网络SRNet等。全学习深度网络在检测精度上要优于半学习深度网络并且更具有鲁棒性。

3.数字水印

数字水印技术是指将特定的编码信息嵌入到数字信号中，数字信号可能是音频、图像或是视频等。若要拷贝有数字水印的信号，所嵌入的信息也会一并被拷贝。数字水印技术是一种基于内容的、非密码机制的计算机信息隐藏技术，是保护信息安全、实现防伪溯源、版权保护的有效办法。数字水印一般分为明水印和隐藏水印。隐藏水印通过在载体数据（音频、视频等）中添加隐藏标记，在一般情况下无法被人眼以及机器所辨识。隐藏水印的重要应用之一就是保护著作权，期望能借此避免或阻止数字媒体未经授权的复制和拷贝。

4.水印检测

隐藏水印信息检测的方法一般有两种。一种是基于自相关的检测方法，这种方法是根据水印嵌入算法提出的相关函数生成对应的检测算法，另一种则是利用模版匹配的方法，该方法利用图像处理中模板匹配的思想，在添加水印时制定一个模板，通过模板来添加水印；在检测水印时，在待测图像上使用模板进行相似度计算；当相似度超过设定的阈值时便认定检出水印，反之则无水印。

5.综述

隐写术&隐写分析(Steganography&Steganalysis)：隐写术更注重于嵌入信息的隐蔽性，即如何嵌入才能让载密图像无法被敌手察觉异常，通常载密图像在通讯中是无损的；隐写分析则期望在载体数据无损的情况下，判断一张图像是载密图像还是原始图像。

数字水印(Digital WaterMarking) 更注重嵌入信息的鲁棒性，含水印信息的载体在传播过程中会受到诸如：压缩、裁剪、放缩、剪辑等攻击。需要保证在面对这种攻击情势下，数字水印仍然可以保持有效性，这是版权保护的一个重要前提。

四、深度学习识别隐藏水印

与数字隐写相比，隐藏水印除了要求水印的隐蔽性，还更加注重水印信息的鲁棒性。隐藏水印载体在真实场景下中会遇到很多复杂且未知的攻击，这通常会导致水印信息的部分或整体特征被破坏，最终导致水印信息无法被检测或者完整提取。传统的水印检测方法多是基于相关性检测、模版提取等方法确定载体中是否有水印。这些方法在面对复杂攻击时效果较差，而且不同隐藏水印添加的特征多种多样，因此针对特定水印方法设计单独的分析检测方案耗时费力。
深度学习在处理这些问题上则天生具有优势，我们可以在训练过程中模拟现实攻击提升鲁棒性，使用多种水印算法数据混合提升模型的泛化能力。

相关模型：MobileNetV3、SRNet
MobileNet系列模型不论从精度还是性能都在各类计算机视觉任务上展现出了优异的成绩，它使用深度可分离卷积来构建轻量级的深层神经网络，能够在延迟度和准确度之间有效地进行平衡。

隐藏水印会面临着多种多样的攻击形式，比如常见的有平移、翻转（镜像）、高斯模糊、颜色抖动、仿射变换、随机裁剪等，为了提升模型在检测时对这些变换手段的鲁棒性，我们在训练阶段尽可能的模拟数据在网络传输中可能遇到的攻击变换形式来进行数据增强，进一步提升模型的泛化能力。

参考资料

进化的隐藏水印：深度学习提升版权保护的鲁棒性

隐写术相关介绍