CN108805789A - 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 - Google Patents
一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 Download PDFInfo
- Publication number
- CN108805789A CN108805789A CN201810532620.8A CN201810532620A CN108805789A CN 108805789 A CN108805789 A CN 108805789A CN 201810532620 A CN201810532620 A CN 201810532620A CN 108805789 A CN108805789 A CN 108805789A
- Authority
- CN
- China
- Prior art keywords
- watermark
- image
- network
- input
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于对抗神经网络去除水印的方法、装置、设备及可读介质,该方法包括:训练步骤,基于样本图像对对抗神经网络进行训练,获得对抗神经网络模型;去除步骤,将带有水印的图像输入对抗神经网络模型中去除水印,得到无水印的图像。本发明设计了具有残差块的对抗神经网络,对抗神经网络包括生成器网络和鉴别器网络,通过该对抗性神经网络中的生成器网络能够快速、高效、批量地去除图像中特定的水印,并通过鉴别器网络判断除去水印的效果是否达到要求,如果达到要求,则将图像输出。
Description
技术领域
本发明涉及图像处理技术领域,特别是一种基于对抗神经网络去除水印的方法、装置、设备及可读介质。
背景技术
水印通常以一致的方式添加到许多图像中。当从单个图像自动去除水印是非常具有挑战性的,视觉水印通常包含复杂的结构,例如细线和阴影,使它们更难以去除,针对处理去水印的问题,目前的技术有以下几种。
一、通过图像处理软件进行人工处理。如,利用photoshop进行水印的去除。
二、Google展示了一种计算机算法能够自动获得图片版权保护并去除水印,使用户无障碍地访问清晰图像。提出了一种广义的多图像消隐算法,它将不必要的图像集合作为输入,并自动估计“前景”(水印),其“阿尔法”和“背景”(原始)图像。由于这种攻击依赖于图像集合中水印的一致性,在水印过程中可能引入的不同类型的不一致性的鲁棒性,如水印的位置和混合因子的随机改变,或者在嵌入时对水印应用微小的几何变形在每个图像,可能潜在地用于使水印更加安全。
三、ICA独立成分分析,使用独立分量分析(ICA)来分离源图像与水印。这些技术在单个图像上操作,需要用户手动标记水印区域,并且不能处理大的水印区域。
可见现有技术的缺陷在于:无法进行大批量自动化去水印的操作,对于单张图片出现的水印数不能太多,需要人工标注出水印的区域。
发明内容
本发明针对上述现有技术中的缺陷,提出了如下技术方案。
一种基于对抗神经网络去除水印的方法,该方法包括:
训练步骤,基于样本图像对对抗神经网络进行训练,获得对抗神经网络模型;
去除步骤,将带有水印的图像输入对抗神经网络模型中去除水印,得到无水印的图像。
更进一步地,所述方法还包括:
样本图像获取步骤,收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集,并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集;
其中,样本图像获取步骤在所述训练步骤之前,M、N为整数。
更进一步地,所述对抗神经网络包括生成器网络和鉴别器网络。
更进一步地,所述训练步骤包括:
确定步骤,基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构;
初始化步骤,根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数;
模型训练步骤,基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练;
重复执行上述模型训练步骤直到生成器网络和鉴别器网络的损失函数小于第一阈值且图像去除水印准确率大于第二阈值,得到训练完成的生成器网络和鉴别器网络。
更进一步地,所述去除步骤中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印,得到无水印的图像。
更进一步地,初始化步骤中初始化的参数有:初始学习率、动量、权重下降因子和学习策略。
更进一步地,所述生成器网络包括:k个卷积层,k个下采样层,残差层,k个反卷积层和k个反池化层,其中,第1个卷积层接收输入的图像,第1个下采样层的输入连接第1个卷积层的输出,第2个卷积层的输入连接第1个下采样层的输出,第2个下采样层的输入连接第2个卷积层的输出,依次类推,第k个下采样层的输入连接残差层的输入,残差层的输出连接第1个反卷积层的输入,第1个反卷积层的输出连接第1个反池化层的输入,第2个反卷积层的输入连接第1个反池化层的输出,第2个反卷积层的输出连接第2个反池化层的输入,依次类推,第k个反池化层输出图像,所述卷积层使用的卷积核大小为3*3或8*8,输入和输出图像的大小为1024*800,其中k为大于3的整数。
更进一步地,所述鉴别器网络包括p个依次相连的卷积层,鉴别器网络通过激活函数输出一个标量,其表示输入图像属于训练样本图像而非生成器网络生成图像的概率,所述卷积层使用的卷积核大小为3*3或8*8,其中p为大于3的整数。
本发明还提出了一种基于对抗神经网络去除水印的装置,该装置包括:
训练单元,用于基于样本图像对对抗神经网络进行训练,获得对抗神经网络模型;
去除单元,用于将带有水印的图像输入对抗神经网络模型中去除水印,得到无水印的图像。
更进一步地,所述装置还包括:
样本图像获取单元,用于收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集,并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集;
其中,样本图像获取单元的操作在所述训练单元的操作之前执行,M、N为整数。
更进一步地,所述对抗神经网络包括生成器网络和鉴别器网络。
更进一步地,所述训练单元包括:
确定模块,用于基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构;
初始化模块,用于根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数;
模型训练模块,用于基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练;
重复执行上述模型训练模块的操作直到生成器网络和鉴别器网络的损失函数小于第一阈值且图像去除水印准确率大于第二阈值,得到训练完成的生成器网络和鉴别器网络。
更进一步地,所述去除单元中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印,得到无水印的图像。
更进一步地,初始化模块中初始化的参数有:初始学习率、动量、权重下降因子和学习策略。
更进一步地,所述生成器网络包括:k个卷积层,k个下采样层,残差层,k个反卷积层和k个反池化层,其中,第1个卷积层接收输入的图像,第1个下采样层的输入连接第1个卷积层的输出,第2个卷积层的输入连接第1个下采样层的输出,第2个下采样层的输入连接第2个卷积层的输出,依次类推,第k个下采样层的输入连接残差层的输入,残差层的输出连接第1个反卷积层的输入,第1个反卷积层的输出连接第1个反池化层的输入,第2个反卷积层的输入连接第1个反池化层的输出,第2个反卷积层的输出连接第2个反池化层的输入,依次类推,第k个反池化层输出图像,所述卷积层使用的卷积核大小为3*3或8*8,输入和输出图像的大小为1024*800,其中k为大于3的整数。
更进一步地,所述鉴别器网络包括p个依次相连的卷积层,鉴别器网络通过激活函数输出一个标量,其表示输入图像属于训练样本图像而非生成器网络生成图像的概率,所述卷积层使用的卷积核大小为3*3或8*8,其中p为大于3的整数。
本发明还提出了一种基于对抗神经网络去除水印的设备,其特征在于,所述设备包括处理器、存储器,所述处理器与所述存储器通过总线相连接,所述存储器中存储机器可读代码,所述处理器执行存储器中的机器可读代码以执行上述之任一项所述的方法。
本发明还提出了一种计算机可读存储介质,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时可执行上述之任一所述的方法。
本发明的技术效果为:本发明设计了具有残差块的对抗神经网络,对抗神经网络包括生成器网络和鉴别器网络,通过该对抗性神经网络中的生成器网络能够快速、高效、批量地去除图像中特定的水印,并通过鉴别器网络判断除去水印的效果是否达到要求,如果达到要求,则将图像输出。
附图说明
图1是根据本发明的实施例的基于对抗神经网络去除水印的方法的流程图。
图2是根据本发明的实施例的训练步骤的流程图。
图3是根据本发明的实施例的生成器网络的结构图。
图4是根据本发明的实施例的鉴别器网络的结构图。
图5是根据本发明的实施例的基于对抗神经网络去除水印的装置结构示意图。
图6是根据本发明的实施例的训练单元的结构示意图。
图7是根据本发明的实施例的基于对抗神经网络去除水印的设备的结构示意图。
具体实施方式
下面结合附图1-7进行具体说明。
图1示出了本发明的一种基于对抗神经网络去除水印的方法,该方法包括:
训练步骤S1,基于样本图像对对抗神经网络进行训练,获得对抗神经网络模型。
去除步骤S2,将带有水印的图像输入对抗神经网络模型中去除水印,得到无水印的图像。
在样本图像进行训练之前需要获取该样本图像,如图1所示,所述方法还包括:
样本图像获取步骤S0,收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集,并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集;其中,样本图像获取步骤在所述训练步骤之前,M、N为整数。收集的图像可以是从网上下载的,也可以是随机拍摄的,等等,水印样本可以是自己设计的,或者是通过图像处理软件从图像中抠取的。
本发明中采用对抗神经网络进行水印的去除,这是本发明的重要发明点,本发明的对抗神经网络包括生成器网络和鉴别器网络。
在抗神经网络使用之前,需要先对其进行训练,如图2所示,所述训练步骤S1包括:
确定步骤S11,基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构。
生成器网络的结构如图3所示,其包括:k个卷积层(也称为卷积块),k个下采样层(也称为池化),残差层,k个反卷积层和k个反池化层,其中,第1个卷积层接收输入的图像,第1个下采样层的输入连接第1个卷积层的输出,第2个卷积层的输入连接第1个下采样层的输出,第2个下采样层的输入连接第2个卷积层的输出,依次类推,第k个下采样层的输入连接残差层的输入,残差层的输出连接第1个反卷积层的输入,第1个反卷积层的输出连接第1个反池化层的输入,第2个反卷积层的输入连接第1个反池化层的输出,第2个反卷积层的输出连接第2个反池化层的输入,依次类推,第k个反池化层输出图像,所述卷积层使用的卷积核大小为3*3或8*8,输入和输出图像的大小为1024*800,其中k为大于3的整数,一般根据去除图像中水印的难易程度,k取值为8-128之间。
卷积块主要是对图像进行卷积操作提取图像特征,池化主要是对图像进行降维,反池化主要是对对象进行深维,反卷积主要是对提取后的特征还原成图像。
在生成器网络中加入了残差层(也称为残差块),用以提高网络模型的收敛,提高训练速度及控制训练精度。
鉴别器网络的结构如图4所示,所述鉴别器网络包括p个依次相连的卷积层,鉴别器网络通过激活函数输出一个标量,其表示输入图像属于训练样本图像而非生成器网络生成图像的概率,所述卷积层使用的卷积核大小为3*3或8*8,其中p为大于3的整数,一般根据去除图像中水印的难易程度,p取值为8-64之间。
初始化步骤S12,根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数。
一个实施例中,初始化步骤中初始化的参数有:初始学习率、动量、权重下降因子和学习策略,如将初始学习率初始化为0.01,动量初始化为0.9,权重下降因子为0.0001,学习策略可以根据待去除的水印设置。
模型训练步骤S13,基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练;
重复执行上述模型训练步骤S13直到生成器网络和鉴别器网络的损失函数小于第一阈值(比如0.01)且图像去除水印准确率大于第二阈值(比如99%),得到训练完成的生成器网络和鉴别器网络。执行过程中,可以通过观察loss曲线和测试过程的测试结果,当达到预期的效果就可以停止训练生成模型。
所述去除步骤S2中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印,得到无水印的图像,通过生成器网络去除水印,并可以通过鉴别器网络判断除去水印的效果是否达到要求,如果达到要求,则将图像输出。
如图5所示,本发明还提出了一种基于对抗神经网络去除水印的装置,该装置包括:
训练单元51,用于基于样本图像对对抗神经网络进行训练,获得对抗神经网络模型;
去除单元52,用于将带有水印的图像输入对抗神经网络模型中去除水印,得到无水印的图像。
在样本图像进行训练之前需要获取该样本图像,如图5所示,所述装置还包括:样本图像获取单元50,用于收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集,并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集;其中,样本图像获取单元的操作在所述训练单元的操作之前执行,M、N为整数。收集的图像可以是从网上下载的,也可以是随机拍摄的,等等,水印样本可以是自己设计的,或者是通过图像处理软件从图像中抠取的。
本发明中采用对抗神经网络进行水印的去除,这是本发明的重要发明点,本发明的对抗神经网络包括生成器网络和鉴别器网络。
在抗神经网络使用之前,需要先对其进行训练,如图6所示,所述训练单元51包括:
确定模块511,用于基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构。
生成器网络的结构如图3所示,其包括:k个卷积层(也称为卷积块),k个下采样层(也称为池化),残差层,k个反卷积层和k个反池化层,其中,第1个卷积层接收输入的图像,第1个下采样层的输入连接第1个卷积层的输出,第2个卷积层的输入连接第1个下采样层的输出,第2个下采样层的输入连接第2个卷积层的输出,依次类推,第k个下采样层的输入连接残差层的输入,残差层的输出连接第1个反卷积层的输入,第1个反卷积层的输出连接第1个反池化层的输入,第2个反卷积层的输入连接第1个反池化层的输出,第2个反卷积层的输出连接第2个反池化层的输入,依次类推,第k个反池化层输出图像,所述卷积层使用的卷积核大小为3*3或8*8,输入和输出图像的大小为1024*800,其中k为大于3的整数,一般根据去除图像中水印的难易程度,k取值为8-128之间。
卷积块主要是对图像进行卷积操作提取图像特征,池化主要是对图像进行降维,反池化主要是对对象进行深维,反卷积主要是对提取后的特征还原成图像。
在生成器网络中加入了残差层(也称为残差块),用以提高网络模型的收敛,提高训练速度及控制训练精度。
鉴别器网络的结构如图4所示,所述鉴别器网络包括p个依次相连的卷积层,鉴别器网络通过激活函数输出一个标量,其表示输入图像属于训练样本图像而非生成器网络生成图像的概率,所述卷积层使用的卷积核大小为3*3或8*8,其中p为大于3的整数,一般根据去除图像中水印的难易程度,p取值为8-64之间。
初始化模块512,用于根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数。
一个实施例中,初始化步骤中初始化的参数有:初始学习率、动量、权重下降因子和学习策略,如将初始学习率初始化为0.01,动量初始化为0.9,权重下降因子为0.0001,学习策略可以根据待去除的水印设置。
模型训练模块513,用于基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练。
重复执行上述模型训练模块513的操作直到生成器网络和鉴别器网络的损失函数小于第一阈值(比如0.01)且图像去除水印准确率大于第二阈值(比如99%),得到训练完成的生成器网络和鉴别器网络。执行过程中,可以通过观察loss曲线和测试过程的测试结果,当达到预期的效果就可以停止训练生成模型。
所述去除单元52中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印,得到无水印的图像,通过生成器网络去除水印,并可以通过鉴别器网络判断除去水印的效果是否达到要求,如果达到要求,则将图像输出。
图7示出了本发明的一种基于对抗神经网络去除水印的设备,包括:存储器a和处理器b,所述存储器a中存储计算机程序,所述计算机程序被所述处理器b执行时,所述处理器b执行存储器a中的机器可读代码以执行方法。
本发明还提出了一种计算机可读存储介质,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时可执行上述之一的方法。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现,本发明中所称的客户、客户端指代相同的内容,本发明中的服务端、服务器、服务器端指代相同的内容。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
最后所应说明的是:以上实施例仅以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (18)
1.一种基于对抗神经网络去除水印的方法,其特征在于,该方法包括:
训练步骤,基于样本图像对对抗神经网络进行训练,获得对抗神经网络模型;
去除步骤,将带有水印的图像输入对抗神经网络模型中去除水印,得到无水印的图像。
2.根据权利要求1的方法,其特征在于,所述方法还包括:
样本图像获取步骤,收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集,并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集;
其中,样本图像获取步骤在所述训练步骤之前,M、N为整数。
3.根据权利要求2的方法,其特征在于,所述对抗神经网络包括生成器网络和鉴别器网络。
4.根据权利要求3的方法,其特征在于,所述训练步骤包括:
确定步骤,基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构;
初始化步骤,根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数;
模型训练步骤,基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练;
重复执行上述模型训练步骤直到生成器网络和鉴别器网络的损失函数小于第一阈值且图像去除水印准确率大于第二阈值,得到训练完成的生成器网络和鉴别器网络。
5.根据权利要求4的方法,其特征在于,所述去除步骤中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印,得到无水印的图像。
6.根据权利要求4的方法,其特征在于,初始化步骤中初始化的参数有:初始学习率、动量、权重下降因子和学习策略。
7.根据权利要求5的方法,其特征在于,所述生成器网络包括:k个卷积层,k个下采样层,残差层,k个反卷积层和k个反池化层,其中,第1个卷积层接收输入的图像,第1个下采样层的输入连接第1个卷积层的输出,第2个卷积层的输入连接第1个下采样层的输出,第2个下采样层的输入连接第2个卷积层的输出,依次类推,第k个下采样层的输入连接残差层的输入,残差层的输出连接第1个反卷积层的输入,第1个反卷积层的输出连接第1个反池化层的输入,第2个反卷积层的输入连接第1个反池化层的输出,第2个反卷积层的输出连接第2个反池化层的输入,依次类推,第k个反池化层输出图像,所述卷积层使用的卷积核大小为3*3或8*8,输入和输出图像的大小为1024*800,其中k为大于3的整数。
8.根据权利要求5的方法,其特征在于,所述鉴别器网络包括p个依次相连的卷积层,鉴别器网络通过激活函数输出一个标量,其表示输入图像属于训练样本图像而非生成器网络生成图像的概率,所述卷积层使用的卷积核大小为3*3或8*8,其中p为大于3的整数。
9.一种基于对抗神经网络去除水印的装置,其特征在于,该装置包括:
训练单元,用于基于样本图像对对抗神经网络进行训练,获得对抗神经网络模型;
去除单元,用于将带有水印的图像输入对抗神经网络模型中去除水印,得到无水印的图像。
10.根据权利要求9的装置,其特征在于,所述装置还包括:
样本图像获取单元,用于收集M个图像作为底片图像集及收集或抠取N个待去除的水印样本图像作为水印样本图像集,并基于所述底片图像集和水印样本图像集制作带水印的样本图像集和不带水印的样本图像集;
其中,样本图像获取单元的操作在所述训练单元的操作之前执行,M、N为整数。
11.根据权利要求10的装置,其特征在于,所述对抗神经网络包括生成器网络和鉴别器网络。
12.根据权利要求11的装置,其特征在于,所述训练单元包括:
确定模块,用于基于带水印的样本图像集和不带水印的样本图像集确定生成器网络和鉴别器网络的结构;
初始化模块,用于根据由带水印的图像生成不带水印的图像初始化对抗神经网络训练参数和训练参数;
模型训练模块,用于基于带水印的样本图像集和不带水印的样本图像对生成器网络和鉴别器网络进行训练;
重复执行上述模型训练模块的操作直到生成器网络和鉴别器网络的损失函数小于第一阈值且图像去除水印准确率大于第二阈值,得到训练完成的生成器网络和鉴别器网络。
13.根据权利要求12的装置,其特征在于,所述去除单元中是将带有水印的图像输入对抗神经网络模型中的生成器网络去除水印,得到无水印的图像。
14.根据权利要求12的装置,其特征在于,初始化模块中初始化的参数有:初始学习率、动量、权重下降因子和学习策略。
15.根据权利要求13的装置,其特征在于,所述生成器网络包括:k个卷积层,k个下采样层,残差层,k个反卷积层和k个反池化层,其中,第1个卷积层接收输入的图像,第1个下采样层的输入连接第1个卷积层的输出,第2个卷积层的输入连接第1个下采样层的输出,第2个下采样层的输入连接第2个卷积层的输出,依次类推,第k个下采样层的输入连接残差层的输入,残差层的输出连接第1个反卷积层的输入,第1个反卷积层的输出连接第1个反池化层的输入,第2个反卷积层的输入连接第1个反池化层的输出,第2个反卷积层的输出连接第2个反池化层的输入,依次类推,第k个反池化层输出图像,所述卷积层使用的卷积核大小为3*3或8*8,输入和输出图像的大小为1024*800,其中k为大于3的整数。
16.根据权利要求13的装置,其特征在于,所述鉴别器网络包括p个依次相连的卷积层,鉴别器网络通过激活函数输出一个标量,其表示输入图像属于训练样本图像而非生成器网络生成图像的概率,所述卷积层使用的卷积核大小为3*3或8*8,其中p为大于3的整数。
17.一种基于对抗神经网络去除水印的设备,其特征在于,所述设备包括处理器、存储器,所述处理器与所述存储器通过总线相连接,所述存储器中存储机器可读代码,所述处理器执行存储器中的机器可读代码以执行权利要求1-8之任一项所述的方法。
18.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时以执行权利要求1-8之任一的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810532620.8A CN108805789B (zh) | 2018-05-29 | 2018-05-29 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810532620.8A CN108805789B (zh) | 2018-05-29 | 2018-05-29 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805789A true CN108805789A (zh) | 2018-11-13 |
CN108805789B CN108805789B (zh) | 2022-06-03 |
Family
ID=64090895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810532620.8A Active CN108805789B (zh) | 2018-05-29 | 2018-05-29 | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805789B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472757A (zh) * | 2018-11-15 | 2019-03-15 | 央视国际网络无锡有限公司 | 一种基于生成对抗神经网络的图像去台标方法 |
CN109815653A (zh) * | 2019-01-31 | 2019-05-28 | 上海计算机软件技术开发中心 | 一种基于深度学习的pdf文本水印提取及比对方法 |
CN110163540A (zh) * | 2019-06-28 | 2019-08-23 | 清华大学 | 电力系统暂态稳定预防控制方法及系统 |
CN110276708A (zh) * | 2019-05-08 | 2019-09-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
CN110287851A (zh) * | 2019-06-20 | 2019-09-27 | 厦门市美亚柏科信息股份有限公司 | 一种目标图像定位方法、装置、系统及存储介质 |
CN110599387A (zh) * | 2019-08-08 | 2019-12-20 | 北京邮电大学 | 一种自动去除图片水印的方法及装置 |
CN110852974A (zh) * | 2019-11-12 | 2020-02-28 | 网易(杭州)网络有限公司 | 图像抗锯齿处理方法、图像生成器的训练方法及装置 |
CN111062903A (zh) * | 2019-12-06 | 2020-04-24 | 携程计算机技术(上海)有限公司 | 图像水印的自动处理方法、系统、电子设备及存储介质 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
CN111260757A (zh) * | 2018-12-03 | 2020-06-09 | 马上消费金融股份有限公司 | 一种图像处理方法、装置及终端设备 |
CN111274858A (zh) * | 2018-12-04 | 2020-06-12 | 厦门美亚商鼎信息科技有限公司 | 网络交易监管中营业执照识别方法 |
CN111768333A (zh) * | 2020-05-29 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 标识去除方法、装置、设备及存储介质 |
CN111932431A (zh) * | 2020-07-07 | 2020-11-13 | 华中科技大学 | 基于水印分解模型的可见水印去除方法和电子设备 |
CN112150338A (zh) * | 2020-09-21 | 2020-12-29 | 清华大学 | 一种神经网络模型图像水印的去除方法 |
CN112650982A (zh) * | 2019-10-10 | 2021-04-13 | 百度(美国)有限责任公司 | 数据处理加速器及由数据处理加速器执行的计算机实现的方法 |
CN112686794A (zh) * | 2020-12-21 | 2021-04-20 | 福建新大陆软件工程有限公司 | 一种基于生成式对抗网络的水印去除方法 |
WO2023202570A1 (zh) * | 2022-04-21 | 2023-10-26 | 维沃移动通信有限公司 | 图像处理方法和处理装置、电子设备和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07212712A (ja) * | 1993-10-29 | 1995-08-11 | Eastman Kodak Co | 階層的な画像記憶及び取出しシステムにおいてディジタル透かし模様を付加及び除去する方法及び装置 |
JP2007074365A (ja) * | 2005-09-07 | 2007-03-22 | Nikon Corp | Raw画像の電子透かしを処理する画像処理システム、撮像装置、画像処理装置、および画像処理プログラム |
CN106651805A (zh) * | 2016-12-28 | 2017-05-10 | 贵州大学 | 基于机器学习的图像水印去除方法 |
CN106709866A (zh) * | 2016-11-18 | 2017-05-24 | 北京智慧眼科技股份有限公司 | 证件照去除网格水印的方法及装置、人脸验证方法及装置 |
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN107993190A (zh) * | 2017-11-14 | 2018-05-04 | 中国科学院自动化研究所 | 图像水印去除装置 |
-
2018
- 2018-05-29 CN CN201810532620.8A patent/CN108805789B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07212712A (ja) * | 1993-10-29 | 1995-08-11 | Eastman Kodak Co | 階層的な画像記憶及び取出しシステムにおいてディジタル透かし模様を付加及び除去する方法及び装置 |
JP2007074365A (ja) * | 2005-09-07 | 2007-03-22 | Nikon Corp | Raw画像の電子透かしを処理する画像処理システム、撮像装置、画像処理装置、および画像処理プログラム |
CN106709866A (zh) * | 2016-11-18 | 2017-05-24 | 北京智慧眼科技股份有限公司 | 证件照去除网格水印的方法及装置、人脸验证方法及装置 |
CN106651805A (zh) * | 2016-12-28 | 2017-05-10 | 贵州大学 | 基于机器学习的图像水印去除方法 |
CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 人脸检测方法和装置 |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN107993190A (zh) * | 2017-11-14 | 2018-05-04 | 中国科学院自动化研究所 | 图像水印去除装置 |
Non-Patent Citations (2)
Title |
---|
张晓强 等: "图像水印算法研究新进展", 《计算机工程与科学》 * |
黄天云 等: "数字图像水印算法及攻防手段研究", 《信息安全与通信保密》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472757A (zh) * | 2018-11-15 | 2019-03-15 | 央视国际网络无锡有限公司 | 一种基于生成对抗神经网络的图像去台标方法 |
CN111260757A (zh) * | 2018-12-03 | 2020-06-09 | 马上消费金融股份有限公司 | 一种图像处理方法、装置及终端设备 |
CN111274858A (zh) * | 2018-12-04 | 2020-06-12 | 厦门美亚商鼎信息科技有限公司 | 网络交易监管中营业执照识别方法 |
CN109815653A (zh) * | 2019-01-31 | 2019-05-28 | 上海计算机软件技术开发中心 | 一种基于深度学习的pdf文本水印提取及比对方法 |
CN110276708A (zh) * | 2019-05-08 | 2019-09-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
CN110276708B (zh) * | 2019-05-08 | 2023-04-18 | 山东浪潮科学研究院有限公司 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
CN110287851A (zh) * | 2019-06-20 | 2019-09-27 | 厦门市美亚柏科信息股份有限公司 | 一种目标图像定位方法、装置、系统及存储介质 |
CN110163540A (zh) * | 2019-06-28 | 2019-08-23 | 清华大学 | 电力系统暂态稳定预防控制方法及系统 |
CN110599387A (zh) * | 2019-08-08 | 2019-12-20 | 北京邮电大学 | 一种自动去除图片水印的方法及装置 |
CN112650982A (zh) * | 2019-10-10 | 2021-04-13 | 百度(美国)有限责任公司 | 数据处理加速器及由数据处理加速器执行的计算机实现的方法 |
CN112650982B (zh) * | 2019-10-10 | 2024-03-29 | 百度(美国)有限责任公司 | 数据处理加速器及由数据处理加速器执行的计算机实现的方法 |
CN110852974B (zh) * | 2019-11-12 | 2022-08-05 | 网易(杭州)网络有限公司 | 图像抗锯齿处理方法、图像生成器的训练方法及装置 |
CN110852974A (zh) * | 2019-11-12 | 2020-02-28 | 网易(杭州)网络有限公司 | 图像抗锯齿处理方法、图像生成器的训练方法及装置 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
CN111062903A (zh) * | 2019-12-06 | 2020-04-24 | 携程计算机技术(上海)有限公司 | 图像水印的自动处理方法、系统、电子设备及存储介质 |
CN111768333A (zh) * | 2020-05-29 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 标识去除方法、装置、设备及存储介质 |
CN111932431A (zh) * | 2020-07-07 | 2020-11-13 | 华中科技大学 | 基于水印分解模型的可见水印去除方法和电子设备 |
CN111932431B (zh) * | 2020-07-07 | 2023-07-18 | 华中科技大学 | 基于水印分解模型的可见水印去除方法和电子设备 |
CN112150338B (zh) * | 2020-09-21 | 2023-12-05 | 清华大学 | 一种神经网络模型图像水印的去除方法 |
CN112150338A (zh) * | 2020-09-21 | 2020-12-29 | 清华大学 | 一种神经网络模型图像水印的去除方法 |
CN112686794A (zh) * | 2020-12-21 | 2021-04-20 | 福建新大陆软件工程有限公司 | 一种基于生成式对抗网络的水印去除方法 |
CN112686794B (zh) * | 2020-12-21 | 2023-06-02 | 福建新大陆软件工程有限公司 | 一种基于生成式对抗网络的水印去除方法 |
WO2023202570A1 (zh) * | 2022-04-21 | 2023-10-26 | 维沃移动通信有限公司 | 图像处理方法和处理装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108805789B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805789A (zh) | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 | |
CN110599387A (zh) | 一种自动去除图片水印的方法及装置 | |
CN107016406A (zh) | 基于生成式对抗网络的病虫害图像生成方法 | |
CN111080531B (zh) | 一种水下鱼类图像的超分辨率重建方法、系统及装置 | |
CN108921782A (zh) | 一种图像处理方法、装置及存储介质 | |
CN110532897A (zh) | 零部件图像识别的方法和装置 | |
CN111389008B (zh) | 虚拟角色的面部生成方法、自动捏脸方法及装置 | |
CN109840467A (zh) | 一种活体检测方法及系统 | |
CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
CN112801906B (zh) | 基于循环神经网络的循环迭代图像去噪方法 | |
CN111723687A (zh) | 基于神经网路的人体动作识别方法和装置 | |
CN112528782B (zh) | 水下鱼类目标检测方法及装置 | |
CN109711362B (zh) | 人脸表情提取方法、电子设备以及存储介质 | |
CN112862728A (zh) | 伪影去除方法、装置、电子设备和存储介质 | |
CN113762422B (zh) | 一种图像训练集合成方法及系统 | |
CN111968087B (zh) | 一种植物病害区域检测方法 | |
CN117409002A (zh) | 一种用于创伤的视觉识别检测系统及其检测方法 | |
CN111260706B (zh) | 一种基于单目相机的稠密深度图计算方法 | |
CN111339969B (zh) | 人体姿势估计方法、装置、设备及存储介质 | |
CN115953821B (zh) | 一种虚拟人脸图像生成方法、装置及电子设备 | |
CN116342649A (zh) | 一种复杂场景下低分辨率图像中进行特定目标物体跟踪的方法、装置与设备 | |
CN112487903B (zh) | 基于对抗网络的步态数据生成方法及设备 | |
CN108985302A (zh) | 一种皮肤镜图像处理方法、装置及设备 | |
CN113256541B (zh) | 利用机器学习对钻井平台监控画面进行去水雾的方法 | |
CN112598646B (zh) | 电容缺陷检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |