CN109993678A - 一种基于深度对抗生成网络的鲁棒信息隐藏方法 - Google Patents
一种基于深度对抗生成网络的鲁棒信息隐藏方法 Download PDFInfo
- Publication number
- CN109993678A CN109993678A CN201910230666.9A CN201910230666A CN109993678A CN 109993678 A CN109993678 A CN 109993678A CN 201910230666 A CN201910230666 A CN 201910230666A CN 109993678 A CN109993678 A CN 109993678A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- information
- arbiter
- fought
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明提供一种基于深度对抗生成网络的鲁棒信息隐藏方法,包括如下步骤:用户将原始图像和加密信息传入编码器信息编码。加密信息可以包含机构编码、管理人员工号、日期、校验位等;通过对抗生成网络将加密信息融入图像;加密后的图像从外观上与原始图像一致;对处理后图像进行涂改、压缩和剪裁等篡改的操作,模拟用户对图像进行加噪处理;接收到的图像通过对抗式生成网络来进行解码,还原加密信息。通过深度对抗生成网络方法对原始图像添加鲁棒性隐藏式数字水印,水印信息含有加密追踪信息,当图片泄露后可以通过加密信息追踪到泄漏源,同时有良好的抗篡改能力。
Description
技术领域
本发明涉及一种基于深度对抗生成网络的鲁棒信息隐藏方法,属于电子信息技术领域。
背景技术
目前业内隐藏鲁棒性数字水印主要采用傅里叶变换方式,容易引起图像失真。比如对于信息量较小的图片融入较大水印信息,图片易失真产生肉眼可见干扰线。采用神经网络深度学习方式可以将原始图像与需要隐藏的信息进行深度学习融合,降低失真,提高融合图像质量。
发明内容
本发明提供一种基于深度对抗生成网络的鲁棒信息隐藏方法,该方法通过深度对抗生成网络方法对原始图像添加鲁棒性隐藏式数字水印,水印信息含有加密追踪信息,当图片泄露后可以通过加密信息追踪到泄漏源,同时有良好的抗篡改能力。
为实现上述目的,本发明采用如下技术方案:
一种基于深度对抗生成网络的鲁棒信息隐藏方法,包括如下步骤:
步骤1:搭建判别器网络和生成网络;所述生成器网络包括编码器;
步骤2:将原始图像和加密信息输入编码器,生成加密图像;
步骤3:以原始图像为真实样本,加密图像为生成样本,将原始图像和加密图像输入判别器网络,得到真实样本判别结果和生成样本判别结果;
步骤4:计算真实样本判别结果和生成样本判别结果的训练损失;
步骤5:判断判别器网络损失值和生成网络损失值是否达到最小化,并分别反馈给判别器网络和生成器网络,以调整网络参数;若已达到最小化,跳到步骤6;否则跳到步骤2;
步骤6:保存当前判别器网络和生成器网络。
优选的,所述生成器网络还包括噪声层和解码器;所述噪声层用以对所述加密图像进行加噪处理,所述解码器用以解码加噪后的加密图像,得到解码信息;
编码器和解码器的总损失函数为L=LM(Min,Mout)+LI(Ico,Ien)+LG,其中,LI(Ico,Ien)为原始图像Ico和加密图像Ien的图像重构损失,LM(Min,Mout)为解码信息Mout和加密信息Min的信息重构损失,生成器网络的对抗损失为LG=log(1-A(Ien)),A(.)为判别器网络的输出结果,Ien=G(Ico),G为编码器的输出结果;
判别器网络的损失函数定义为LA=log(1-A(Ico))+log(A(Ien))。
优选的,所述编码器包括4个卷积块,每个卷积块包含若干个卷积层、批归一化和ReLU激活函数。
优选的,所述解码器包括7个卷积块,1个自适应空间平均池化层,1个线性全连接层。
优选的,所述判别器包括3个卷积块,1个自适应空间平均池化层,1个线性全连接层。
有益效果:
1、通过对抗生成网络将加密信息融入原始图像,得到的加密图像从外观上与原始图像一致加密后的图像在视觉上非常接近原始图像,目前基于傅里叶变换方式的传统水印加密方法容易引起图像失真;
2、本方法加密的信息是数字化二进制信息,而传统方法的水印主要是以图像的形式表示;
3、噪声层使编码信息恢复对图像涂抹鲁棒;
4、计算图像重构误差,保证加入水印后的图像与原图视觉上相似;
5、计算对抗误差,改善添加水印后图像的质量;
6、计算加密信息重构误差,保证重建后的信息接近水印信息。
附图说明
图1为本发明中实施例提供的基于深度对抗生成网络的鲁棒信息隐藏方法的工作流程图;
图2为本发明中实施例提供的对抗式生成网络结构图。
具体实施方式
下面结合实例对本发明做更进一步的解释。
本发明包括训练对抗生成网络和实际应用两部分,在训练过程中,交替迭代训练生成器和判别器;而训练好以后,在实际应用中,只需要编码器和解码器,不再需要判别器。
本发明主要实施流程如下,相关流程图见图1。
1、搭建判别器网络和生成器网络,生成器网络包括编码器、噪声层和解码器;
2、用户将原始图像和含有加密追踪信息的加密信息传入编码器信息编码,生成加密图像。具体步骤包括通过多层卷积层得到原始图像的中间表示,再将加密信息以复制形式扩充与原始图像的中间表示保持维度相同,将这两种信息与原始图像在通道层面上进行叠加,随后再通过多层卷积层得到加入水印后的图像。加密信息可以包含机构编码、管理人员工号、日期、校验位等。
3、将原始图像和加密图像输入判别器网络,判别器输出的是原始图像或加密图像的概率值,范围是[0,1]。
4、对加密图像进行涂改、压缩和剪裁等篡改的操作,模拟用户对图像进行加噪处理。具体步骤包括在噪声层实现加噪声的操作,根据原图和加水印后的图像,通过神经网络添加高斯噪声模拟涂改操作,通过添加JPEG压缩层模拟压缩操作,通过添加随即剪裁操作来模拟剪裁操作。
5、将加噪后的加密图像输入解码器,经过一系列的卷积层,平均池化层和全连接层,得到解码信息。
6、采用对抗损失函数LG=log(1-A(Ien))、图像重构L1范数损失函数和信息重构L1范数损失函数的线性组合训练生成器,生成器的总损失函数为L=LM(Min,Mout)+LI(Ico,Ien)+LG。C表示通道数,H表示图像高度,W表示图像宽度,Lmsg表示信息长度,A(.)为判别器的输出结果,Ien=G(Ico),G为编码器的输出结果。以原始图像和加密图像分别作为正负样本,采用损失函数LA=log(1-A(Ico))+log(A(Ien))训练判别器网络。判别器的训练目标为:当判别器网络的输入是原始图像,判别器输出为1,当判别器网络的输入是加密图像时,判别器输出为0。
训练时,采用梯度下降法同时更新编码器和解码器的参数,再交替更新判别器的参数;当L和LA均在阈值范围内时,训练结束。
具体的训练步骤为:1)首先固定判别网络的各项参数,训练生成网络,然后固定生成网络的各项参数,训练判别网络,进行对抗训练;
2)判别网络通过学习来区分原始图像和加密图像,生成器网络通过学习让判别网络无法区分是原始图像还是加密图像。
7、将具有一定概率被篡改的加密图像输入训练好的解码器中,得到解码信息,根据解码信息追踪泄露来源。
本发明所使用的对抗式生成网络框架是一个端到端可训练的框架,包含三个卷积神经网络和一个噪声层。具体的网络结构如下:
定义:Conv-BN-ReLU(convolution-batch normalization-ReLU)指的是一个卷积+批归一化+ReLU激活函数的模块,如无特别说明,卷积核为3*3,步长为1,padding为1。
编码器结构:设输入图像Ico通道数、高和宽分别为C、H、W。输入图像首先经过4个Conv-BN-ReLU模块,每个模块的输出通道均为64,得到64*H*W的数据;同时,复制扩充加密消息M(长度为Lmsg)至Lmsg*H*W大小,并和输出图像在第一维叠加得到(64+Lmsg+C)*H*W大小的数据。该数据再经过一个Conv-BN-ReLU模块,输出通道为64,最后经过一个1*1,步长为1,且无padding的卷积层,输出通道为C,从而得到C*H*W的加密图像。
解码器结构:加密图像经过7个Conv-BN-ReLU模块,前6个模块的输出通道数是64,最后一个模块的输出通道数是Lmsg,输出数据Lmsg*W*H在最后两个维度进行自适应空间平均池化操作得到长度为Lmsg的数据,最后经过一个Lmsg*Lmsg的全连接层,得到长度为Lmsg的数据。该数据以0.5为阈值转换为二进制的解码信息Mout。
判别器结构:判别器包含3个Conv-BN-ReLU模块,每个模块输出通道是64,输出数据为64*H*W,在最后两个维度进行自适应空间平均池化,得到长度为64的数据,经过一个64*1的全连接层,得到结果在[0,1]之间。
噪声层结构:噪声层包括指定的涂改、压缩和剪裁的操作,输入加密后的图像,输出随机进行涂改、压缩和剪裁后的图像。
以上为本发明的技术实施例和技术特点,仅用于说明本发明的技术方案而非限制。然而本领域技术人员仍可能基于本发明的教示和揭示内容而作出对本发明的技术方案的修改和等同替换。因此,本发明的保护范围应不限于实施例所揭示的内容,而应包括各种不背离本发明的替代和修正,并为上述权利要求书所涵盖。
Claims (6)
1.一种基于深度对抗生成网络的鲁棒信息隐藏方法,其特征在于,包括如下步骤:
步骤1:搭建判别器网络和生成器网络;所述生成器网络包括编码器;
步骤2:将原始图像和加密信息输入编码器,生成加密图像;
步骤3:以原始图像为真实样本,加密图像为生成样本,输入判别器网络,得到真实样本判别结果和生成样本判别结果;
步骤4:计算真实样本判别结果和生成样本判别结果的训练损失;
步骤5:判断判别器网络损失值和生成器网络损失值是否达到最小化,并分别反馈给判别器网络和生成器网络,以调整网络参数;若已达到最小化,跳到步骤6;否则跳到步骤2;
步骤6:保存当前判别器网络和生成器网络。
2.根据权利要求1所述的一种基于深度对抗生成网络的鲁棒信息隐藏方法,其特征在于,所述生成器网络还包括噪声层和解码器;所述噪声层用以对所述加密图像进行加噪处理,所述解码器用以解码加噪后的加密图像,得到解码信息;生成器网络损失包括编码器损失和解码器损失。
3.根据权利要求2所述的一种基于深度对抗生成网络的鲁棒信息隐藏方法,其特征在于,编码器和解码器的总损失函数为L=LM(Min,Mout)+LI(Ico,Ien)+LG,其中,LI(Ico,Ien)为原始图像Ico和加密图像Ien的图像重构损失,LM(Min,Mout)为解码信息Mout和加密信息Min的信息重构损失,LG=log(1-A(Ien)),A(.)为判别器网络的输出结果,Ien=G(Ico),G为编码器的输出结果;
判别器网络的损失函数定义为LA=log(1-A(Ico))+log(A(Ien))。
4.根据权利要求1所述的一种基于深度对抗生成网络的鲁棒信息隐藏方法,其特征在于,所述编码器包括4个卷积块,每个卷积块包含若干个卷积层、批归一化和ReLU激活函数。
5.根据权利要求2所述的一种基于深度对抗生成网络的鲁棒信息隐藏方法,其特征在于,所述解码器包括7个卷积块,1个自适应空间平均池化层,1个线性全连接层。
6.根据权利要求1所述的一种基于深度对抗生成网络的鲁棒信息隐藏方法,其特征在于,所述判别器包括3个卷积块,1个自适应空间平均池化层,1个线性全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910230666.9A CN109993678B (zh) | 2019-03-26 | 2019-03-26 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910230666.9A CN109993678B (zh) | 2019-03-26 | 2019-03-26 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993678A true CN109993678A (zh) | 2019-07-09 |
CN109993678B CN109993678B (zh) | 2020-04-07 |
Family
ID=67131495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910230666.9A Active CN109993678B (zh) | 2019-03-26 | 2019-03-26 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993678B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889797A (zh) * | 2019-10-15 | 2020-03-17 | 浙江大学 | 基于对抗样本生成的深度自适应图像隐藏方法 |
CN111210380A (zh) * | 2020-04-20 | 2020-05-29 | 成都华栖云科技有限公司 | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 |
CN111223034A (zh) * | 2019-11-14 | 2020-06-02 | 中山大学 | 基于深度学习的大容量抗打印/拍摄盲水印系统及方法 |
CN111598761A (zh) * | 2020-04-17 | 2020-08-28 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
CN111681155A (zh) * | 2020-06-09 | 2020-09-18 | 湖南大学 | 一种基于深度学习的gif动态图像水印方法 |
CN113095987A (zh) * | 2021-03-26 | 2021-07-09 | 贵州大学 | 一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法 |
CN113284037A (zh) * | 2021-06-22 | 2021-08-20 | 南京信息工程大学 | 一种基于深度神经网络的陶瓷水印载体恢复方法 |
CN113537484A (zh) * | 2020-04-14 | 2021-10-22 | 中国人民银行数字货币研究所 | 神经网络训练方法、图像编码和解码方法及相关产品 |
CN113705806A (zh) * | 2020-05-22 | 2021-11-26 | 中国人民银行数字货币研究所 | 神经网络训练方法、图像编码和解码方法、装置及介质 |
CN114070950A (zh) * | 2020-07-30 | 2022-02-18 | 北京市商汤科技开发有限公司 | 图像处理方法及相关装置、设备 |
CN114359009A (zh) * | 2021-12-28 | 2022-04-15 | 宁波大学科学技术学院 | 基于视觉感知的鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951919A (zh) * | 2017-03-02 | 2017-07-14 | 浙江工业大学 | 一种基于对抗生成网络的流速监测实现方法 |
US20170372193A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Image Correction Using A Deep Generative Machine-Learning Model |
CN107527318A (zh) * | 2017-07-17 | 2017-12-29 | 复旦大学 | 一种基于生成对抗式网络模型的发型更换方法 |
CN107563155A (zh) * | 2017-08-08 | 2018-01-09 | 中国科学院信息工程研究所 | 一种基于生成对抗网络的安全隐写方法和装置 |
CN108171770A (zh) * | 2018-01-18 | 2018-06-15 | 中科视拓(北京)科技有限公司 | 一种基于生成式对抗网络的人脸表情编辑方法 |
CN108346125A (zh) * | 2018-03-15 | 2018-07-31 | 中山大学 | 一种基于生成对抗网络的空域图像隐写方法及系统 |
CN108495110A (zh) * | 2018-01-19 | 2018-09-04 | 天津大学 | 一种基于生成式对抗网络的虚拟视点图像生成方法 |
CN108564611A (zh) * | 2018-03-09 | 2018-09-21 | 天津大学 | 一种基于条件生成对抗网络的单目图像深度估计方法 |
US20180293712A1 (en) * | 2017-04-06 | 2018-10-11 | Pixar | Denoising monte carlo renderings using generative adversarial neural networks |
CN108765261A (zh) * | 2018-04-13 | 2018-11-06 | 北京市商汤科技开发有限公司 | 图像变换方法和装置、电子设备、计算机存储介质、程序 |
CN108897740A (zh) * | 2018-05-07 | 2018-11-27 | 内蒙古工业大学 | 一种基于对抗神经网络的蒙汉机器翻译方法 |
CN108923922A (zh) * | 2018-07-26 | 2018-11-30 | 北京工商大学 | 一种基于生成对抗网络的文本隐写方法 |
CN109040763A (zh) * | 2018-08-07 | 2018-12-18 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的图像压缩方法及系统 |
CN109131348A (zh) * | 2018-07-24 | 2019-01-04 | 大连理工大学 | 一种基于生成式对抗网络的智能车驾驶决策方法 |
CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 南京信息工程大学 | 一种基于安全区域的大数据图像保护方法和系统 |
CN109508717A (zh) * | 2018-10-09 | 2019-03-22 | 苏州科达科技股份有限公司 | 一种车牌识别方法、识别装置、识别设备及可读存储介质 |
-
2019
- 2019-03-26 CN CN201910230666.9A patent/CN109993678B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372193A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Image Correction Using A Deep Generative Machine-Learning Model |
CN106951919A (zh) * | 2017-03-02 | 2017-07-14 | 浙江工业大学 | 一种基于对抗生成网络的流速监测实现方法 |
US20180293712A1 (en) * | 2017-04-06 | 2018-10-11 | Pixar | Denoising monte carlo renderings using generative adversarial neural networks |
CN107527318A (zh) * | 2017-07-17 | 2017-12-29 | 复旦大学 | 一种基于生成对抗式网络模型的发型更换方法 |
CN107563155A (zh) * | 2017-08-08 | 2018-01-09 | 中国科学院信息工程研究所 | 一种基于生成对抗网络的安全隐写方法和装置 |
CN108171770A (zh) * | 2018-01-18 | 2018-06-15 | 中科视拓(北京)科技有限公司 | 一种基于生成式对抗网络的人脸表情编辑方法 |
CN108495110A (zh) * | 2018-01-19 | 2018-09-04 | 天津大学 | 一种基于生成式对抗网络的虚拟视点图像生成方法 |
CN108564611A (zh) * | 2018-03-09 | 2018-09-21 | 天津大学 | 一种基于条件生成对抗网络的单目图像深度估计方法 |
CN108346125A (zh) * | 2018-03-15 | 2018-07-31 | 中山大学 | 一种基于生成对抗网络的空域图像隐写方法及系统 |
CN108765261A (zh) * | 2018-04-13 | 2018-11-06 | 北京市商汤科技开发有限公司 | 图像变换方法和装置、电子设备、计算机存储介质、程序 |
CN108897740A (zh) * | 2018-05-07 | 2018-11-27 | 内蒙古工业大学 | 一种基于对抗神经网络的蒙汉机器翻译方法 |
CN109131348A (zh) * | 2018-07-24 | 2019-01-04 | 大连理工大学 | 一种基于生成式对抗网络的智能车驾驶决策方法 |
CN108923922A (zh) * | 2018-07-26 | 2018-11-30 | 北京工商大学 | 一种基于生成对抗网络的文本隐写方法 |
CN109040763A (zh) * | 2018-08-07 | 2018-12-18 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的图像压缩方法及系统 |
CN109508717A (zh) * | 2018-10-09 | 2019-03-22 | 苏州科达科技股份有限公司 | 一种车牌识别方法、识别装置、识别设备及可读存储介质 |
CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 南京信息工程大学 | 一种基于安全区域的大数据图像保护方法和系统 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889797A (zh) * | 2019-10-15 | 2020-03-17 | 浙江大学 | 基于对抗样本生成的深度自适应图像隐藏方法 |
CN111223034A (zh) * | 2019-11-14 | 2020-06-02 | 中山大学 | 基于深度学习的大容量抗打印/拍摄盲水印系统及方法 |
CN111223034B (zh) * | 2019-11-14 | 2023-04-28 | 中山大学 | 基于深度学习的大容量抗打印/拍摄盲水印系统及方法 |
CN113537484B (zh) * | 2020-04-14 | 2024-01-02 | 中国人民银行数字货币研究所 | 用于数字水印的网络训练、编码和解码方法、装置及介质 |
CN113537484A (zh) * | 2020-04-14 | 2021-10-22 | 中国人民银行数字货币研究所 | 神经网络训练方法、图像编码和解码方法及相关产品 |
CN111598761B (zh) * | 2020-04-17 | 2023-11-17 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
CN111598761A (zh) * | 2020-04-17 | 2020-08-28 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
CN111210380A (zh) * | 2020-04-20 | 2020-05-29 | 成都华栖云科技有限公司 | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 |
CN111210380B (zh) * | 2020-04-20 | 2020-07-14 | 成都华栖云科技有限公司 | 基于深度学习分片式图像数字水印嵌入及解密方法及系统 |
CN113705806A (zh) * | 2020-05-22 | 2021-11-26 | 中国人民银行数字货币研究所 | 神经网络训练方法、图像编码和解码方法、装置及介质 |
CN113705806B (zh) * | 2020-05-22 | 2024-01-02 | 中国人民银行数字货币研究所 | 用于数字水印的网络训练、编码和解码方法、装置及介质 |
CN111681155B (zh) * | 2020-06-09 | 2022-05-27 | 湖南大学 | 一种基于深度学习的gif动态图像水印方法 |
CN111681155A (zh) * | 2020-06-09 | 2020-09-18 | 湖南大学 | 一种基于深度学习的gif动态图像水印方法 |
CN114070950A (zh) * | 2020-07-30 | 2022-02-18 | 北京市商汤科技开发有限公司 | 图像处理方法及相关装置、设备 |
CN114070950B (zh) * | 2020-07-30 | 2024-05-17 | 北京市商汤科技开发有限公司 | 图像处理方法及相关装置、设备 |
CN113095987B (zh) * | 2021-03-26 | 2022-02-01 | 贵州大学 | 一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法 |
CN113095987A (zh) * | 2021-03-26 | 2021-07-09 | 贵州大学 | 一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法 |
CN113284037B (zh) * | 2021-06-22 | 2023-05-23 | 南京信息工程大学 | 一种基于深度神经网络的陶瓷水印载体恢复方法 |
CN113284037A (zh) * | 2021-06-22 | 2021-08-20 | 南京信息工程大学 | 一种基于深度神经网络的陶瓷水印载体恢复方法 |
CN114359009B (zh) * | 2021-12-28 | 2023-10-31 | 宁波大学科学技术学院 | 基于视觉感知的鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质 |
CN114359009A (zh) * | 2021-12-28 | 2022-04-15 | 宁波大学科学技术学院 | 基于视觉感知的鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109993678B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993678A (zh) | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 | |
CN111598761B (zh) | 一种基于图像降噪的抗打印拍摄图像数字水印方法 | |
CN108346125A (zh) | 一种基于生成对抗网络的空域图像隐写方法及系统 | |
CN110570366A (zh) | 基于双判别深度卷积生成式对抗网络的图像修复方法 | |
CN110689499B (zh) | 一种基于密集扩张卷积自编码对抗网络的人脸图像修复方法 | |
CN113379036B (zh) | 一种基于上下文编码器的油气图像脱敏方法 | |
CN113284033A (zh) | 一种基于对抗训练的大容量图像信息隐藏术 | |
CN109960975A (zh) | 一种基于人眼的人脸生成及其人脸识别方法 | |
CN113392711A (zh) | 一种基于高层语义与噪声抑制的烟雾语义分割方法及系统 | |
CN111711821A (zh) | 基于深度学习的信息隐藏方法 | |
CN111681155A (zh) | 一种基于深度学习的gif动态图像水印方法 | |
CN107835427A (zh) | 一种基于contourlet和SVD的彩色图像信息隐藏方法 | |
Xie et al. | Dual-domain generative adversarial network for digital image operation anti-forensics | |
CN114093013B (zh) | 一种深度伪造人脸逆向溯源方法及系统 | |
CN114157773B (zh) | 基于卷积神经网络和频域注意力的图像隐写方法 | |
Devi et al. | Advancement of digital image steganography using deep convolutional neural networks | |
Zhang et al. | A blind watermarking system based on deep learning model | |
CN110503608A (zh) | 基于多视角的卷积神经网络的图像去噪方法 | |
CN109889848A (zh) | 基于卷积自编码器的多描述编码、解码方法及系统 | |
CN115879516B (zh) | 一种数据取证方法 | |
CN115880125B (zh) | 基于Transformer的软融合鲁棒图像水印方法 | |
CN116362991A (zh) | 一种基于域对齐gan先验的盲脸恢复方法 | |
CN113326531B (zh) | 一种鲁棒的高效分布式人脸图像隐写方法 | |
CN116402701A (zh) | 一种基于景深信息成雾和Transformer网络的图像去雾方法及系统 | |
CN116029887A (zh) | 一种基于小波神经网络的图像大容量鲁棒水印方法 |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 210043 floor 2, No.6 Huida Road, Jiangbei new district, Nanjing City, Jiangsu Province Patentee after: NANJING LIANCHUANG BEIDOU TECHNOLOGY APPLICATION RESEARCH INSTITUTE Co.,Ltd. Address before: 210036 14th Floor, Block A, Lianchuang Building, 18 Jihui Road, Gulou District, Nanjing City, Jiangsu Province Patentee before: NANJING LIANCHUANG BEIDOU TECHNOLOGY APPLICATION RESEARCH INSTITUTE Co.,Ltd. |