CN115131188B 一种基于生成对抗网络的鲁棒图像水印方法 （南京信息工程大学）

一种基于生成对抗网络的鲁棒图像水印方法本发明公开了一种基于生成对抗网络的鲁通过生成器网络生成载密图像和提取出秘密信码的秘密信息和原始的秘密信息误差在一定范并且在对载密图像攻击后进行提取秘密信息的2(2)构建对抗网络框架，编码器网络和解码器网络组成一个端到端的模型作为生成器(3)通过生成器网络和判别器网络之间相互对抗学习，使生成的载密图像和原始图像(4)使用获取的自然图像数据集训练网络模型，通过结构相似性指标和峰值信噪比来第三步，在解码前设有一个模拟的攻击层网络来模拟实际(d)生成器网络在得到判别器网络的结果之后进行反向传播，利用梯度更新来更新编首先将一串二进制秘密信息扩展成输入图像的尺寸，将扩展每个卷积层得到的特征图都全连接到对应的上采样层，即不直4.根据权利要求1或3所述的基于生成对抗网络的鲁3解码器首先由3个3*3卷积层组成，进行特征的提取；接着设有一个残使用图像损失函数LeA保持原始图像Icover和编码图像Istego相似误差在一定范围内；LeA使用学习感知图像块相似性(LPIPS)损失Llpips最小化原始图像Icover和编码图像Istegol⊙表示异或运算；解码器用于从编码图像中恢复秘密信息，解码后的消息与输入的L；判别器A用于判断接收到的图像是编码图像Istego还是原始图像Icover；使用判别器损失在生成器的训练方面，模型为四个损失函数LeAL=λeALeA+λlpipsLlpips+λdBLdB+λgALgA(5)4术。Volkhonskiy等人[3]首先提出了一种基于深度卷积生成对抗网络(DCGAN)的新模型采用隐写分析网络模型作为判别器，使得隐写模型更加安全。shi等人[5]提出了基于GAN5ofdeepneuralnetworksviafingerprintingtheclassificationboundary,”Proceedingsofthe2021ACMAsiaConferenceonComputerandCommunicationsSecurity,pp.14_25,2021.PropertyProtectionviaDeepWatermarking,”arXivpreprintarXiv:2103.04980,2021.[0010][4]A.Radford,L.Metz,andS.Chintala,“UnsupervisedRepresentationLearningwithDeepConvolutionalGenerativeAdversarialNetworks,”InternationalConferenceonImageandGraphics,pp.97_108,2015.BasedonGenerativeAdversarialNetworks,”PacificRimConferenceonMultimedia,pp.534_544,2017.[0012][6]J.HayesandG.Danezis,“Generatingsteganographicimagesviamethodviadeepconvolutionalgenerativeadversarialnetworks,”IEEEAccess,vol.6,pp.38303_38314,2018.DeepNetworks,”ProceedingsoftheEuropeanconferenceoncomputervision,pp.657_672,2018.LearningUsingaGenerativeAdversarialNetwork,”IEEESignalProcessingLetters,vol.24,no.99,pp.1547_1551,2017.LearningFrameworkUsingGAN,”IEEETransactionsonInformationForensicsandSecurity,vol.15,no.99,pp.839_851,2019.627thACMInternationalConferenceonMultimedia,pp.1509_1517,2019.inPhysicalPhotographs,”ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition,pp.2117_2126,2019.[0022](2)构建对抗网络框架，编码器网络和解码器网络组成一个端到端的模型作为生[0023](3)通过生成器网络和判别器网络之间相互对抗学习，使生成的载密图像和原始[0024](4)使用获取的自然图像数据集训练网络模型，通过结构相似性指标和峰值信噪[0029](d)生成器网络在得到判别器网络的结果之后进行反向传播，利用梯度更新来更7[0042]使用图像损失函数LeA保持原始图像Icover和编码图像Istego相似误差在一定范围eA的公式如下：[0045]使用学习感知图像块相似性(LPIPS)损失Llpips最小化原始图像Icover和编码图像[0048]解码器用于从编码图像中恢复秘密信息，解码后的消息与输入L；8[0056]L=λeALeA+λlpipsLlpips+λdBLdB+λgALgA[0060]本发明在HiDDeN[8]和StegaStamp[12]两个模型上进行改进，解决了这两个模型9的卷积层将多通道的特征图转化成三通道的彩色图像。编码器结构如图2所示，以Icover和[0076](2)构建对抗网络框架，编码器网络和解码器网络组成一个端到端的模型作为生[0077](3)通过生成器网络和判别器网络之间相互对抗学习，使生成的载密图像和原始[0082](d)生成器网络在得到判别器网络的结果之后进行反向传播，利用梯度更新来更[0089]使用图像损失函数LeA保持原始图像Icover和编码图像Istego相似误差在一定范围eA的公式如下：[0092]使用学习感知图像块相似性(LPIPS)损失Llpips最小化原始图像Icover和编码图像[0095]解码器用于从编码图像中恢复秘密信息，解码后的消息与输入L；[0103]L=λeALeA+λlpipsLlpips+λdBLdB+λgALgA[0106]图8展示了本发明提出RIW_GAN模型在各种失真和强度下的比特准确率。图9展示[0107]表1和表2是本发明提出的算法对于数据集ImageNet和COCO在不同攻击下的提取秘密信息的准确度。表3是本发明提出的模型在COCO和ImageNet数据集与几种最先进的方案比较并且在三种不同长度的秘密消息下的解码准确度和编码图像的不可见性。表4是本