CN111681155A - 一种基于深度学习的gif动态图像水印方法 - Google Patents
一种基于深度学习的gif动态图像水印方法 Download PDFInfo
- Publication number
- CN111681155A CN111681155A CN202010518027.5A CN202010518027A CN111681155A CN 111681155 A CN111681155 A CN 111681155A CN 202010518027 A CN202010518027 A CN 202010518027A CN 111681155 A CN111681155 A CN 111681155A
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- gif
- dynamic
- frame
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明涉及一种基于深度学习的动态GIF图像水印方法。其发明内容主要包括:提出一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法,在此基础上,通过构造静态图像的时间帧维度对水印信息进行预处理,并实现对GIF动态图像的水印嵌入。本发明首次提出针对GIF动态图像的深度学习水印方法,为目前的大量的动态表情包等GIF图像作品的版权认证需求提供了解决方案。本发明可生成GIF动态图像的鲁棒性水印,实现对GIF动态作品的所有权归属认证,在现实生活场景下具有实际应用价值。
Description
技术领域
本发明涉及深度学习和信息隐藏领域,具体涉及一种基于深度学习的GIF动态图像水印方法。
背景技术
数字图像在多媒体信息中占据主导地位,其中GIF格式(Graphics InterchangeFormat)动态图像近年来在各大社交媒体平台的大热态势前所未有,目前已经成为当代数字媒体中一个关键的交流工具。GIF图像将图片和视频进行完美结合,对硬件设备的要求低并且易于传播。GIF图像格式可形成短序列动画效果,凭借这一特点,在生活交流中可高度贴合表达场景下的情感表现。在这样的背景下,诞生了很多的GIF动态图像作品,每天大量GIF动态图像被创造,如动态表情包,微动图像甚至逐渐形成商品化趋势。因此,为满足GIF动态图像信息安全的市场需求,需要对GIF动态图像的版权保护提供更多的关注。
数字水印技术是目前解决知识产权保护和数据安全问题的一种有效的解决方案,作为版权保护的重要手段,其对现代社会的多媒体安全的重要性不言而喻。图像数字水印通过在图像中嵌入版权信息来保护图像版权。水印技术在嵌入版权信息的同时,对图像及其视觉质量产生尽可能小的失真。传统的鲁棒性水印主要从图像格式出发,对GIF图像的调色板数据进行设计,存在一定程度的视觉失真,且可嵌容量十分有限。文献“RMachado.EzStego.http://www.stego.com,1997.”公开了一种对调色板数据中的颜色信息进行排序后,创建一个新的颜色对顺序的算法。文献“Kwan M.Gifshuffle.http://www.darkside.com.au/gifshuffle,2003.”直接把调色板数据的颜色对顺序对与秘密信息进行应于,并重新排列完成嵌入操作,提取时与嵌入操作反向进行实现秘密信息的提取。除此之外,出现了基于深度学习技术的水印方法,文献“Zhu J,Kaplan R,Johnson J,andFei-Fei L.HiDDeN:Hiding data with deep networks.Proceedings ofthe EuropeanConference on ComputerVision(ECCV).2018.”使用一个端到端的水印模型,利用卷积神经网络对静态图像实现水印的嵌入以及在部分噪声攻击情境下的水印提取。
由于GIF动态图像包含了时间维度信息,且部分算法对不包含全局调色板的GIF图像无效,因此现有的研究方法不适用于GIF的动态图像鲁棒性水印。面向GIF动态图像的版权保护需求,本发明旨在提出一种针对GIF动态图像的基于深度学习的水印方法,生成GIF动态图像的鲁棒性水印,实现对GIF动态图像的版权认证功能。
发明内容
本发明提出了一种基于卷积神经网络的GIF动态图像水印方法,以实现对GIF动态图像的版权所有者认证,主要包括:提出一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法,在此基础上,通过构造静态图像的时间帧维度对水印信息进行预处理,并实现对GIF动态图像的水印嵌入。
具体内容如下:
(1)提出一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法:通过对GIF载体图像的特征分析,在实现水印信息的嵌入和提取外,对载体的帧层次信息设计噪声层以生成鲁棒性水印:
具体由预处理器,生成器,噪声层,解码器几个部分构成,所有模块均基于卷积神经网络进行设计。将该水印模型定义为三元体(W,C,S)其中W为待嵌入的水印信息,C代表原始载体图像,S代表嵌入水印后的含水印图像。存在以下映射关系即:
预处理器:W→W';生成器:W'*C→S;噪声层:S→S';解码器:S'→W”
本发明出于实际需求考虑,在版权保护场景下,使用商标等标志性功能的图像更具直观和说服力,因此选择图像作为水印标志信息。将代嵌的水印图像W经过预处理网络处理后输出W'。对应于水印信息的嵌入,以生成器网络进行实现,将预处理器处理后的待嵌水印W',和原始载体图像即动态GIF图像C输入到生成器中,最终生成含水印信息的动态GIF图像S。噪声层对数据传输过程中的噪声干扰进行模拟,经过噪声层处理的含水印图像S记为S'。对应于水印信息的提取,以解码器网络进行实现,将通过数据传输后的含有水印信息的图像S'输入到解码器网络,可把所含的水印信息W”较为完整的提取出来,且与W相比失真较小。使用损失函数L对该水印模型下进行训练。
L(W,W',C,S)=α||W-W”||+β||C-S||,其中α,β分别权重分配。
模拟真实场景下含水印图像在数据传输过程中可能遇到的噪声攻击,通过在生成器和解码器之间设计噪声层。将常见的图像处理操作转换为张量形式与其他模块共同训练。由于动态图像包含有时间维度信息,除对静态图像的噪声攻击考虑外,需要对帧层级的图像信息的图像处理进行考虑。因此,从实际使用场景下对GIF动态常用的片段剪切编辑操作,在噪声层中设计帧删除,帧置换操作实现动态GIF拥有对该类型的图像操作的鲁棒性。定义一定占比进行帧层级的噪声训练,其中,占比表示为,1/m*T帧,且0<m<T。
帧删除噪声操作,即在生成器生成含水印信息后以删除任意帧。将上一模块生成的含水印图像,以一定占比帧进行删除,模拟含水印动态图像在丢失帧信息的丢失。以随机的形式选中含水印图像中的帧进行删除,删除后使用零向量进行填充。
帧置换即含水印动态图像在时间维度上被替换或直接拼接,该图像处理类型可能会对含水印图像中的水印标识特征造成丢失或扰乱。该操作分为原始载体图像和生成的含水印图像为替换来源对象,随机挑选原始载体中的帧图像置换含水印图像中的任意帧。替换来源对象以含水印图像本身时,为模拟对含水印图像中的所嵌信息破坏,随机挑选含水印图像的任意帧,在剩下的帧中任意挑选进行替换。
实现以上针对帧层级信息的噪声考虑,解码器仍然能在经过以上的操作之后的图像中将含水印信息相对完整地提取出来。解码器由6层卷积神经网络构成,5层卷积模块其中包括三维卷积网络,三维批处理层,Relu激活函数层构成。批处理层可加速网络收敛,防止过拟合,Relu激活函数可增加网络的非线性。三维卷积内核大小除第二层为2*3*3外,均为3*3*3,输出的特征图大小分别为16,32,32,32,16.最后一层由三维卷积块和Tanh激活函数层组成,输出的通道为3。
在损失函数的控制下共同训练模型的所有模块,网络学习到在噪声层中的噪声攻击特征,实现不可见性好鲁棒性动态图像水印生成,同时提取出失真小的水印标识信息图像。
综上所述,本发明所提出的对GIF动态图像的鲁棒性水印模型,主要通过子模块完成水印信息的嵌入和提取,在噪声层模拟动态图像时间帧上的噪声攻击,实现可抵抗帧维度的水印生成。
(2)提出一种对静态图像时间帧信息的构造方案:提出一种基于卷积神经网络的可对静态图像构造时间帧维度的特征信息的网络结构。
动态图像较静态图像除空间维度外还包含时间维度信息,本策略利用三维卷积块设计对静态图像在网络训练下自动学习生成时间维度,以实现对水印图像的有效预处理。选择水印图像作为水印标识信息,由于图像容量大,较文本信息更为直观形象,且提取要求更宽松。
具体设计卷积神经网络共6层。由三维卷积块,三维反卷积块,三维批处理层,Relu激活函数层和Tanh激活层组合构成。将格式为N*W*H水印图像,嵌入到格式为N*W*H*T动态图像中,其中N表示图像的通道数,W表示图像的宽,H表示图像的高,T表示图像的帧。输入原始静态图像N*W*H处理为N`*W*H*T的含时间维度信息的图像。N'表示为经过预处理的输出通道数。针对于动态图像特有的图像格式,使用三维卷积块可同时提取图像的时空特征。该方法在网络中结合反卷积块实现在静态图像的时间维度上进行上采样,在整个模型的训练下自动学习构造帧级信息。首先将输入数据项中的格式为N*W*H的代嵌水印图像进行扩充处理,形成格式N*W*H*1后输入预处理器网络。预处理器前三层网络由三维反卷积块,三维批处理层,以及Relu激活函数构成。反卷积块对应的内核分别为3*1*1,2*1*1,3*1*1,输出的特征图大小均为32,反卷积块的内核设置只在时间维度上进行,以对所扩充的维度进行上采样构造输入数据项图像的时间帧。接着两层网络由三维卷积块,三维批处理层,以及Relu激活函数构成。其中卷积块内核大小均为1*3*3,输出的特征图大小分别为64,32。卷积块只在空域进行特征提取,因此在卷积内核在时间维度上均为1.最后一层网络由卷积块和Tanh激活函数层构成,输出的特征图大小为N’。即子模块预处理器的输出为格式为N'*W*H*T。
(3)提出一种对GIF动态图像的水印嵌入方案:该网络结构如图1所示,利用卷积神经网络实现对动态图像的水印嵌入,生成视觉效果良好的含水印图像。
数字水印重点关注生成水印图像的不可见性,三维卷积的卷积核形状为立方体,适合于具有帧间信息的动态GIF水印任务。本方案基于卷积神经网络,利用三维卷积模块对GIF动态图像的时域空域特征进行学习。在网络结构中,受图像分割领域U-Net网络的启发,网络中包含由三个卷积块和池化层形成的收缩路径,以及进行三个反卷积形成的扩展路径构成。
设计卷积神经网络共12层,生成器的输入数据项为经过预处理的格式为N'*W*H*T的代嵌水印信息和格式N*W*H*T的动态图像。将两个输入数据项在第一个维度上进行拼接,形成(N'+N)*W*H*T特征大小输入网络,首先经过一个卷积核为1*3*3的三维卷积块,LeakyRelu激活函数进行特征提取。网络紧接三个卷积模块,卷积模块中由三维卷积块和池化层,三维批处理层,LeakyRelu激活函数层,以及最大池化层构成,三个卷积模块对应的输出特征图大小为64,128,256。接下来三层反卷积模块,模块由由三维卷积块和池化层,三维批处理层,以及Relu激活函数层构成,对应的输出特征图大小为128,64,32。所述网络结构均以顺序连接,将上一卷积模块的特征图外与网络中第三层,第六层输出特征图进行拼接作为输入到卷积模块,该层输出特征图大小为128。将上一层特征图与第二层,第五层特征图进行拼接输入到卷积模块中,该层输出特征图大小为64。为较为完好的提取水印信息,在接下来两层卷积网络中将经过预处理的待嵌水印进行拼接。网络中最后一层由三维卷积块和Tanh激活函数层构成,最后将特征图输出与原始动态载体图像做联接以提高生成水印的不可见性。
与现有技术相比,上述技术方案至少具有以下显著效果:
1.本发明提供一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法,通过搭建基于卷积神经网络的模型,针对动态载体图像的特征,设计了在三维卷积模块基础上实现的端到端的水印网络结构,可生成不可见性好,可抵抗特定的时间帧噪声干扰的鲁棒性水印。满足信息安全市场上对GIF动态图像产品的版权认证需求。
2.本发明提供一种对静态图像时间帧信息的构造方案,实现对静态图像的帧维度构造,满足对动态图像的待嵌入水印的有效预处理,可嵌入大容量的水印信息。
附图说明
图1为本发明“提出一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法”的整体框架示意图;
图2为本发明“提出一种对GIF动态图像的水印嵌入方案”的结构示意图;
图3为本发明“提出一种对GIF动态图像的水印嵌入方案”实施例中GIF动态图像原始载体图像示意图;
图4为本发明“提出一种对GIF动态图像的水印嵌入方案”实施例中GIF动态图像生成的含水印图像示意图。
具体实施方式
本发明是基于深度学习的动态GIF图像水印方法。为了便于说明,本实施例以时间帧数为8的GIF图像片段为例描述本发明的具体实施,但是本领域技术人员应当知晓人员应当知晓,本申请的技术方案不对GIF图像格式进行限制。这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的范围。
本实施例中可以按照下述步骤进行实施,不局限于任一编程语言,在本实例中以python编程语言为例,在pytorch深度学习平台上进行模型的搭建,具体步骤如下:
步骤一:搭建水印网络结构
参见图1为本发明实例提供的一种针对GIF动态图像的水印网络结构示意图。按照发明内容搭建预处理器,生成器,噪声层,解码器完成水印网络结构的搭建。其中,输入数据项包括待嵌数字水印图像和原始载体图像即动态GIF图像。可输出数据项为已经完成嵌入的含水印图像,以及提取出的水印标识图像。
步骤二:数据集准备。
从图像数据库A中任意挑选12500张GIF动态图像作为载体图像,裁剪为格式大小256*256*8的GIF图像。从真实场景出发,考虑到实际生活中以商标图像作为代嵌水印更贴合实际。从汉字编码utf-8编码范围为(0x4E00,0x9FA5)任意抽取编码汉字,生成对应的字符彩色图像以模拟商标图像,且图像大小为256*256。训练集和测试集以8:1的比例生成,即训练集对应10000个GIF动态片段图像,10000张代嵌水印图像,测试集包含2500张GIF动态图像,2500张待嵌水印图像。
步骤三:水印模型训练。
在步骤一搭建的水印模型上进行训练,具体的实验参数如下:使用Adam优化器,初始学习率为0.001,动量参数为(β1=0.9,β2=0.999),由于内存限制batch_size为1。使用MSE(Mean Squared Error)作为损失函数对模型进行训练,训练至少50个epoch。定义噪声层中的图像处理操作集合为F={f1,f2,f3,...,fm},m表示图像处理类型的数量。其中设置占比为2,进行对应帧删除操作,具体如下随机挑选8帧中的任意2帧,以与图像空间维度相同的零向量填充实现帧删除。帧置换操作,随机挑选含水印动态图像中的任意2帧为待替换帧,以原始载体图像中的任意帧进行替换。本发明中选择常见的高斯模糊,中值滤波,椒盐噪声的图像操作,同时结合帧删除,帧置换共5种噪声干扰,在上述噪声层集合下训练混合噪声干扰水印模型。
步骤四:测试过程。
在步骤三训练好的可抵抗多种噪声干扰水印模型上,进行测试。测试过程具体为,通过替换噪声层的图像处理类型,在噪声层只为单一图像处理类型上f1,f2,f3,...,fm分别进行测试。同时,补充在没有噪声干扰情况下的测试结果。
综上所述,针对GIF动态图像,本发明提出一种基于深度学习的水印方法。可生成GIF动态图像的鲁棒性水印,实现对动态图像作品的版权认证,满足目前海量动态图像环境下对版权认证归属的功能需求,在现实生活下具有很高的应用实际价值。
本领域技术人员可以理解,本发明的保护范围不局限于所述的具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征进行等同的更改或替换,需要注意的是,更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (4)
1.一种基于深度学习的动态GIF图像水印方法,其特征在于,所述方法包括:
本发明提出了一种基于卷积神经网络的GIF动态图像水印方法,以实现对GIF动态图像的版权所有者认证,主要包括:提出一种GIF动态图像的可抵抗帧维度噪声干扰的鲁棒性水印方法,在此基础上,通过构造静态图像的时间帧维度对水印信息进行预处理,并实现对GIF动态图像的水印嵌入。
2.根据权利要求1所述的深度学习的动态GIF图像水印方法,其特征在于,提出一种GIF动态图像的能抵抗帧维度噪声干扰的鲁棒性水印方法,具体包括:
通过预处理器,生成器,解码器和噪声层模块实现GIF动态水印网络,其中预处理器负责对水印信息的有效预处理,生成器和解码器实现水印信息的嵌入与提取,在噪声层中针对动态图像时间帧维度可能面临的噪声攻击,模拟设计帧删除和帧置换的噪声干扰类型,以抵抗真实场景下的噪声干扰,生成动态图像的鲁棒性水印。
3.根据权利要求2所述的GIF动态图像的能抵抗帧维度噪声干扰的鲁棒性水印方法,其特征在于,对所述预处理器提出一种对静态图像时间帧信息的构造方案,具体包括:
设计基于三维卷积块和反卷积块的网络结构,对静态图像构造时间维度信息,以保证在下一模块完成水印标识图像的嵌入,结合三维卷积块提取空域时域特征,以及实现上采样功能的反卷积块,其中网络中卷积块核在时间维度上均为1,反卷积块核在空间维度上均为1,完成在时间维度上的上采样和空域的特征学习提取。
4.根据权利要求2所述的GIF动态图像的能抵抗帧维度噪声干扰的鲁棒性水印方法,其特征在于,对所述的生成器提出一种对GIF动态图像的水印嵌入方案,具体包括:
针对于GIF动态图像的载体特征,使用三维卷积块对时空特征的提取对生成器结构进行设计,该方法完成嵌入功能,通过网络中间层的特征图连接,与经过预处理后的代嵌水印图像的连接,以及网络最后一层与原始载体图像的联接处理,构建良好不可见性的GIF动态图像水印生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518027.5A CN111681155B (zh) | 2020-06-09 | 2020-06-09 | 一种基于深度学习的gif动态图像水印方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518027.5A CN111681155B (zh) | 2020-06-09 | 2020-06-09 | 一种基于深度学习的gif动态图像水印方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681155A true CN111681155A (zh) | 2020-09-18 |
CN111681155B CN111681155B (zh) | 2022-05-27 |
Family
ID=72455040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518027.5A Active CN111681155B (zh) | 2020-06-09 | 2020-06-09 | 一种基于深度学习的gif动态图像水印方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681155B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487369A (zh) * | 2020-12-16 | 2021-03-12 | 湖南大学 | 一种抗帧丢失的gif动态图像版权认证方法 |
CN112837202A (zh) * | 2021-01-26 | 2021-05-25 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 |
CN113158583A (zh) * | 2021-05-24 | 2021-07-23 | 南京信息工程大学 | 一种端到端的基于深度学习的文本图像水印模型建立方法 |
CN113222804A (zh) * | 2021-06-02 | 2021-08-06 | 景德镇陶瓷大学 | 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法 |
CN113989096A (zh) * | 2021-12-27 | 2022-01-28 | 山东大学 | 基于深度学习和注意力网络的鲁棒图像水印方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101489133A (zh) * | 2009-01-16 | 2009-07-22 | 华中科技大学 | 一种抗几何攻击的实时视频水印方法 |
WO2018212811A1 (en) * | 2017-05-19 | 2018-11-22 | Google Llc | Hiding information and images via deep learning |
CN109993678A (zh) * | 2019-03-26 | 2019-07-09 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
CN110211016A (zh) * | 2018-02-28 | 2019-09-06 | 佛山科学技术学院 | 一种基于卷积特征的水印嵌入方法 |
US20190287204A1 (en) * | 2018-03-15 | 2019-09-19 | Tata Consultancy Services Limited | Neural network based insertion of watermark into images and tampering detection thereof |
CN110312138A (zh) * | 2019-01-04 | 2019-10-08 | 北京大学 | 一种基于时序残差卷积建模的高嵌入容量视频隐写方法和系统 |
-
2020
- 2020-06-09 CN CN202010518027.5A patent/CN111681155B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101489133A (zh) * | 2009-01-16 | 2009-07-22 | 华中科技大学 | 一种抗几何攻击的实时视频水印方法 |
WO2018212811A1 (en) * | 2017-05-19 | 2018-11-22 | Google Llc | Hiding information and images via deep learning |
CN110211016A (zh) * | 2018-02-28 | 2019-09-06 | 佛山科学技术学院 | 一种基于卷积特征的水印嵌入方法 |
US20190287204A1 (en) * | 2018-03-15 | 2019-09-19 | Tata Consultancy Services Limited | Neural network based insertion of watermark into images and tampering detection thereof |
CN110312138A (zh) * | 2019-01-04 | 2019-10-08 | 北京大学 | 一种基于时序残差卷积建模的高嵌入容量视频隐写方法和系统 |
CN109993678A (zh) * | 2019-03-26 | 2019-07-09 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
Non-Patent Citations (6)
Title |
---|
K.HARI BABU,ETC: "Exploring the learning capabilities of convolutional neural networks for robust image watermarking", 《COMPUTERS & SECURITY》 * |
MAHDI AHMADI,ETC: "ReDMark: Framework for Residual Diffusion Watermarking based on Deep Networks", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
史亚维: "GIF图像综合数字水印保护系统", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
尚启昌: "基于多载体图像的通用隐写分析方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
程成: "基于常量编码的动态图防篡改软件水印技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
胡娟: "基于数字水印技术的信息伪装系统研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487369A (zh) * | 2020-12-16 | 2021-03-12 | 湖南大学 | 一种抗帧丢失的gif动态图像版权认证方法 |
CN112837202A (zh) * | 2021-01-26 | 2021-05-25 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 |
CN112837202B (zh) * | 2021-01-26 | 2022-04-08 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 |
CN113158583A (zh) * | 2021-05-24 | 2021-07-23 | 南京信息工程大学 | 一种端到端的基于深度学习的文本图像水印模型建立方法 |
CN113222804A (zh) * | 2021-06-02 | 2021-08-06 | 景德镇陶瓷大学 | 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法 |
CN113222804B (zh) * | 2021-06-02 | 2022-03-15 | 景德镇陶瓷大学 | 面向陶瓷工艺的上采样陶瓷水印模型训练方法和嵌密方法 |
CN113989096A (zh) * | 2021-12-27 | 2022-01-28 | 山东大学 | 基于深度学习和注意力网络的鲁棒图像水印方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111681155B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681155B (zh) | 一种基于深度学习的gif动态图像水印方法 | |
Yang et al. | An embedding cost learning framework using GAN | |
AU2017101166A4 (en) | A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks | |
CN108346125B (zh) | 一种基于生成对抗网络的空域图像隐写方法及系统 | |
CN109993678B (zh) | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 | |
CN112183150B (zh) | 图像二维码及其制备方法、解析装置和解析方法 | |
CN112184585B (zh) | 一种基于语义边缘融合的图像补全方法及系统 | |
Wei et al. | Generative steganography network | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN113255813B (zh) | 一种基于特征融合的多风格图像生成方法 | |
Wang et al. | HidingGAN: High capacity information hiding with generative adversarial network | |
Han et al. | PIINET: A 360-degree panoramic image inpainting network using a cube map | |
Liao et al. | GIFMarking: The robust watermarking for animated GIF based deep learning | |
CN114157773B (zh) | 基于卷积神经网络和频域注意力的图像隐写方法 | |
Li et al. | Image super-resolution reconstruction based on multi-scale dual-attention | |
Mun et al. | Texture preserving photo style transfer network | |
CN116402067B (zh) | 面向多语种文字风格保持的跨语言自监督生成方法 | |
Kim et al. | Game effect sprite generation with minimal data via conditional GAN | |
CN116721008A (zh) | 一种用户自定义表情合成方法及系统 | |
CN113989092B (zh) | 基于分层对抗性学习的图像隐写方法 | |
CN114900586A (zh) | 一种基于dcgan的信息隐写方法及装置 | |
CN114493970A (zh) | 面向图像实例级局部区域的图像鲁棒水印方法、系统及介质 | |
Suraj et al. | A deep learning technique for image inpainting with GANs | |
Li et al. | Adversarial feature hybrid framework for steganography with shifted window local loss | |
CN112487369A (zh) | 一种抗帧丢失的gif动态图像版权认证方法 |
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 |