CN118632012A - 一种图像数字水印嵌入方法、提取方法及系统 - Google Patents

一种图像数字水印嵌入方法、提取方法及系统 Download PDF

Info

Publication number
CN118632012A
CN118632012A CN202410724349.3A CN202410724349A CN118632012A CN 118632012 A CN118632012 A CN 118632012A CN 202410724349 A CN202410724349 A CN 202410724349A CN 118632012 A CN118632012 A CN 118632012A
Authority
CN
China
Prior art keywords
image
noise
sample
secret
secret information
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.)
Pending
Application number
CN202410724349.3A
Other languages
English (en)
Inventor
熊翱
张楠
潘熙
刘雨潇
钱旭盛
王伟
张郁颀
严文昊
王庆贤
孙爽
杨珂
王伟宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Marketing Center of State Grid Jiangsu Electric Power Co Ltd
State Grid Digital Technology Holding Co Ltd
Customer Service Center of State Grid Corp of China
Original Assignee
Beijing University of Posts and Telecommunications
Marketing Center of State Grid Jiangsu Electric Power Co Ltd
State Grid Digital Technology Holding Co Ltd
Customer Service Center of State Grid Corp of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications, Marketing Center of State Grid Jiangsu Electric Power Co Ltd, State Grid Digital Technology Holding Co Ltd, Customer Service Center of State Grid Corp of China filed Critical Beijing University of Posts and Telecommunications
Priority to CN202410724349.3A priority Critical patent/CN118632012A/zh
Publication of CN118632012A publication Critical patent/CN118632012A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/46—Embedding additional information in the video signal during the compression process
    • H04N19/467—Embedding additional information in the video signal during the compression process characterised by the embedded information being invisible, e.g. watermarking
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/24—Testing correct operation
    • H04L1/245—Testing correct operation by using the properties of transmission codes
    • H04L1/246—Testing correct operation by using the properties of transmission codes two-level transmission codes, e.g. binary

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明提供一种图像数字水印嵌入方法、提取方法及系统，图像数字水印嵌入方将原始秘密信息编码生成二进制秘密信息，获取载体图像并多次叠加随机生成的原始高斯后得到潜在噪声，将二进制秘密信息和潜在噪声通过编码器进行整合后生成含秘潜在噪声，将含秘潜在噪声输入去噪扩散隐式模型得到估计高斯噪声，根据含秘潜在噪声以及估计高斯噪声生成含数字水印的目标图像；图像数字水印提取方将目标图像输入去噪扩散隐式模型并输出估计高斯噪声，对目标图像多次叠加估计高斯噪声后得到含秘潜在噪声，含秘潜在噪声输入解码器后输出二进制秘密信息，并还原为原始秘密信息，保持图像数字水印嵌入前后的图像语义一致，提高图像的质量和抗检测能力。

Description

一种图像数字水印嵌入方法、提取方法及系统
技术领域
本发明涉及图像数字水印技术领域，尤其涉及一种图像数字水印嵌入方法、提取方法及系统。
背景技术
数字水印技术是一种在不影响原有多媒体介质使用价值的前提下，通过某种算法将秘密信息嵌入到多媒体文件中的技术，需要使用时，这些秘密信息可以被检测或提取出来，数字水印技术主要应用在版权保护、数据完整性验证和防伪溯源等方面。在版权保护方面，通过嵌入版权信息可以有效地追踪和打击盗版行为，保护创作者的合法权益；在数据完整性验证方面还可以用于验证数据的完整性，检测数据是否被篡改或破坏；在防伪溯源方面可以通过嵌入特定的标识信息，实现真伪鉴别和溯源追踪。
现有的数字水印技术中，通常采用直接对原始图像进行修改的方式，这种方式生成的数字水印抗检测能力低、图像质量低、嵌入的信息容量低且数字水印嵌入前后的图像在语义层面发生变化。
发明内容
鉴于此，本发明实施例提供了一种图像数字水印嵌入方法、提取方法及系统，以消除或改善现有技术中存在的一个或更多个缺陷，解决了现有技术中由于直接修改载体图像添加水印导致图像质量降低和图像语义受损的问题。
本发明的一个方面提供了一种图像数字水印嵌入方法，其特征在于，所述方法由图像数字水印嵌入方执行，所述方法包括如下步骤：
将原始秘密信息编码为二进制序列，生成二进制秘密信息；
获取载体图像，并随机生成原始高斯噪声，按照设定规则对所述载体图像多次叠加所述原始高斯噪声，得到潜在噪声；
将所述二进制秘密信息和所述潜在噪声通过预训练的编码器进行整合，生成在数据分布上与所述潜在噪声相近的含秘潜在噪声；
将所述含秘潜在噪声输入预训练的去噪扩散隐式模型得到估计高斯噪声；
根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像，以使所述目标图像隐含所述原始秘密信息。
在一些实施例中，按照设定规则对所述载体图像多次叠加所述原始高斯噪声，得到潜在噪声，包括：
预定义值在(0,1)范围内的数列表示最大时间步；定义系数
按照时间步逐轮对所述载体图像x0叠加噪声，表达式为：
其中，xt表示t时间步叠加噪声的所述载体图像，∈表示原始高斯噪声。
在一些实施例中，所述编码器的训练步骤包括：
获取第一训练样本集，所述第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像；
获取初始编码器和初始解码器，所述初始编码器以所述样本二进制秘密信息和所述样本噪声图像为输入，并输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；
通过最小化所述样本噪声图像和所述含秘噪声图像的偏差，以及最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差构建损失，采用所述第一训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述编码器。
在一些实施例中，所述去噪扩散隐式模型的训练步骤包括：
获取图像数据训练样本集，所述图像数据训练样本集包括多个样本载体图像；
预定义值在(0,1)范围内的数列表示最大时间步；定义系数随机生成原始高斯噪声∈；
获取初始去噪扩散隐式模型，所述初始去噪扩散隐式模型为U-Net模型；
在训练过程中，按照时间步对所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为所述初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出所述原始高斯噪声的估计值∈θ(xt,t)，通过最小化所述原始高斯噪声估计值和真实值的偏差对所述初始去噪扩散隐式模型进行参数更新得到所述去噪扩散隐式模型。
在一些实施例中，根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像，计算式为：
其中，xt表示所述含秘潜在噪声，αt表示一个定义系数，t表示时间步，∈θ(xt，t)表示所述估计高斯噪声。
另一方面，本发明还提供了一种图像数字水印提取方法，所述方法由图像数字水印提取方执行，所述方法包括如下步骤：
获取待处理的目标图像，所述目标图像是基于上述图像数字水印嵌入方法得到的；
将所述目标图像输入预训练的去噪扩散隐式模型，并输出估计高斯噪声；
按照设定规则对所述目标图像多次叠加所述估计高斯噪声，得到含秘潜在噪声；
将所述含秘潜在噪声输入预训练的解码器以输出二进制秘密信息，并还原为原始秘密信息。
在一些实施例中，所述去噪扩散隐式模型的训练步骤包括：
获取图像数据训练样本集，所述图像数据训练样本集包括多个样本载体图像；
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
获取初始去噪扩散隐式模型，所述初始去噪扩散隐式模型为U-Net模型；
在训练过程中，按照时间步对所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为所述初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出对所述原始高斯噪声的估计∈θ(xt，t)，通过最小化对所述原始高斯噪声估计值和真实值的偏差对所述初始去噪扩散隐式模型进行参数更新得到所述去噪扩散隐式模型。
在一些实施例中，所述解码器的训练步骤包括：
获取第一训练样本集，所述第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像；
获取初始编码器和初始解码器，所述初始编码器以所述样本二进制秘密信息和所述样本噪声图像为输入，并输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；
通过最小化所述含秘噪声图像和所述样本噪声图像的偏差，以及最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差构建损失，采用所述第一训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述解码器。
在一些实施例中，所述解码器的训练步骤包括：
获取多个样本载体图像；
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
按照时间步对各所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为得到样本潜在噪声图像，并构建第二训练样本集；
获取所述初始编码器和所述初始解码器，在训练过程中，所述初始编码器以所述样本二进制秘密信息和所述样本潜在噪声图像为输入，输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；所述含秘噪声图像还输入所述去噪扩散隐式模型输出噪声估计值，利用噪声估计值按照设定规则对所述含秘噪声图像进行反处理得到含数字水印的目标图像；构建图像判别器对所述含数字水印的目标图像和所述样本载体图像进行分类识别；
通过最小化所述含秘噪声图像和所述样本噪声图像的偏差，最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差，以及最小化所述图像判别器识别准确率构建损失，采用所述第二训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述解码器。
另一方面，本发明还提供一种图像数字水印嵌入装置，所述装置包括：
二进制转化模块，用于将原始秘密信息编码为二进制序列，生成二进制秘密信息；
载体图像获取模块，用于获取载体图像，并随机生成原始高斯噪声，按照设定规则对所述载体图像多次叠加所述原始高斯噪声，得到潜在噪声；
含秘潜在噪声生成模块，用于将所述二进制秘密信息和所述潜在噪声通过预训练的编码器进行整合，生成在数据分布上与所述潜在噪声相近的含秘潜在噪声；
估计高斯噪声生成模块，用于将所述含秘潜在噪声输入预训练的去噪扩散隐式模型得到估计高斯噪声；
目标图像生成模块，用于根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像，使所述目标图像隐含所述原始秘密信息。
在一些实施例中，所述载体图像获取模块按照设定规则对所述载体图像多次叠加所述原始高斯噪声，得到潜在噪声，包括：
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数
按照时间步逐轮对所述载体图像x0叠加噪声，表达式为：
其中，xt表示t时间步叠加噪声的所述载体图像，∈表示原始高斯噪声。
在一些实施例中，所述装置还设有模型预训练模块，用于执行所述编码器的训练步骤，包括：
获取第一训练样本集，所述第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像；
获取初始编码器和初始解码器，所述初始编码器以所述样本二进制秘密信息和所述样本噪声图像为输入，并输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；
通过最小化所述样本噪声图像和所述含秘噪声图像的偏差，以及最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差构建损失，采用所述第一训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述编码器。
在一些实施例中，所述模型预训练模块还用于训练所述去噪扩散隐式模型，包括：
获取图像数据训练样本集，所述图像数据训练样本集包括多个样本载体图像；
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
获取初始去噪扩散隐式模型，所述初始去噪扩散隐式模型为U-Net模型；
在训练过程中，按照时间步对所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为所述初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出所述原始高斯噪声的估计值∈θ(xt，t)，通过最小化所述原始高斯噪声估计值和真实值的偏差对所述初始去噪扩散隐式模型进行参数更新得到所述去噪扩散隐式模型。
在一些实施例中，所述目标图像生成模块根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像，计算式为：
其中，xt表示所述含秘潜在噪声，αt表示一个定义系数，t表示时间步，∈θ(xt，t)表示所述估计高斯噪声。
另一方面。本发明还提供一种图像数字水印提取装置，所述装置包括：
目标图像获取模块，用于获取待处理的目标图像，所述目标图像是基于图像数字水印嵌入方法得到的；
估计高斯噪声生成模块，用于将所述目标图像输入预训练的去噪扩散隐式模型，并输出估计高斯噪声；
含秘潜在噪声生成模块，用于按照设定规则对所述目标图像多次叠加所述估计高斯噪声，得到含秘潜在噪声；
原始秘密信息还原模块，用于将所述含秘潜在噪声输入预训练的解码器以输出二进制秘密信息，并还原为原始秘密信息。
在一些实施例中，所述装置还设有模型预训练模块，用于训练所述去噪扩散隐式模型，包括：
获取图像数据训练样本集，所述图像数据训练样本集包括多个样本载体图像；
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
获取初始去噪扩散隐式模型，所述初始去噪扩散隐式模型为U-Net模型；
在训练过程中，按照时间步对所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为所述初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出对所述原始高斯噪声的估计∈θ(xt，t)，通过最小化对所述原始高斯噪声估计值和真实值的偏差对所述初始去噪扩散隐式模型进行参数更新得到所述去噪扩散隐式模型。
在一些实施例中，所述模型预训练模块还用于执行所述编码器的训练步骤，包括：
获取第一训练样本集，所述第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像；
获取初始编码器和初始解码器，所述初始编码器以所述样本二进制秘密信息和所述样本噪声图像为输入，并输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；
通过最小化所述含秘噪声图像和所述样本噪声图像的偏差，以及最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差构建损失，采用所述第一训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述解码器。
在一些实施例中，所述模型预训练模块还用于执行所述编码器的训练步骤，包括：获取多个样本载体图像；
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
按照时间步对各所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为得到样本潜在噪声图像，并构建第二训练样本集；
获取所述初始编码器和所述初始解码器，在训练过程中，所述初始编码器以所述样本二进制秘密信息和所述样本潜在噪声图像为输入，输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；所述含秘噪声图像还输入所述去噪扩散隐式模型输出噪声估计值，利用噪声估计值按照设定规则对所述含秘噪声图像进行反处理得到含数字水印的目标图像；构建图像判别器对所述含数字水印的目标图像和所述样本载体图像进行分类识别；
通过最小化所述含秘噪声图像和所述样本噪声图像的偏差，最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差，以及最小化所述图像判别器识别准确率构建损失，采用所述第二训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述解码器。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现上述任一项所述方法的步骤。
本发明的有益效果至少是：
本发明所述图像数字水印嵌入方法、提取方法及系统中，图像数字水印嵌入方将原始秘密信息编码为二进制序列，生成二进制秘密信息，获取载体图像并随机生成原始高斯噪声，按照设定规则对所述载体图像多次叠加所述原始高斯噪声后得到潜在噪声，将所述二进制秘密信息和所述潜在噪声通过预训练的编码器进行整合后生成含秘潜在噪声，将所述含秘潜在噪声输入预训练的去噪扩散隐式模型得到估计高斯噪声，根据所述含秘潜在噪声以及所述估计高斯噪声，按照所述设定规则进行反向处理生成含数字水印的目标图像，即完成图像数字水印的嵌入；图像数字水印提取方将所述目标图像输入预训练的去噪扩散隐式模型并输出估计高斯噪声，按照设定规则对所述目标图像多次叠加所述估计高斯噪声后得到含秘潜在噪声，所述含秘潜在噪声输入预训练的解码器后输出二进制秘密信息，并还原为原始秘密信息，即完成图像数字水印的提取，本发明能够在保证载体图像语义不失真的条件下，实现对水印信息地高效嵌入和提取。
进一步的，本发明采用图像判别器对图像数字水印嵌入前后的图像和图像数字水印提取前后的秘密信息进行差异识别，准确识别图像数字水印嵌入时所述含数字水印的目标图像和所述载体图像的偏差，图像数字水印提取时所述二进制秘密信息的估计值和所述二进制秘密信息的偏差，以进行过程优化后保持图像数字水印嵌入前后的图像语义一致，提高图像的质量和抗检测能力。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明一实施例所述图像数字水印嵌入方法的流程示意图。
图2为本发明一实施例所述图像数字水印提取方法的流程示意图。
图3为本发明一实施例所述图像数字水印嵌入与提取方法的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
现有技术中，图像数字水印技术通常直接对原始载体图像进行修改，降低了载体图像的质量以及抗检测能力；本发明提出了一种图像数字水印嵌入方法、提取方法及系统，在图像数字水印嵌入时，采用去噪扩散模型输入所述含秘潜在噪声输出估计高斯噪声，并生成含数字水印的目标图像；在图像数字水印提取时，采用去噪扩散隐式噪声输入所述目标图像并输出估计高斯噪声，目标图像经过多次估计高斯噪声叠加后获得所述含秘潜在噪声，通过解码器提取二进制秘密信息并还原为原始秘密信息，解决了现有技术中数字水印嵌入前后图像质量下降的问题，同时提高图像的抗检测能力。
图1为本发明一实施例所述图像数字水印嵌入方法的流程示意图。具体的，本申请提供了一种图像数字水印嵌入方法，该方法由图像数字水印嵌入方执行，该方法包括以下步骤S101～S105：
步骤S101：将原始秘密信息编码为二进制序列，生成二进制秘密信息。
步骤S102：获取载体图像，并随机生成原始高斯噪声，按照设定规则对载体图像多次叠加原始高斯噪声，得到潜在噪声。
步骤S103：将二进制秘密信息和潜在噪声通过预训练的编码器进行整合，生成在数据分布上与潜在噪声相近的含秘潜在噪声。
步骤S104：将含秘潜在噪声输入预训练的去噪扩散隐式模型得到估计高斯噪声。
步骤S105：根据含秘潜在噪声以及估计高斯噪声，利用设定规则进行反向处理生成含数字水印的目标图像，使目标图像隐含原始秘密信息。
在步骤S101中，图像数字水印嵌入方在通过原始秘密信息生成二进制秘密信息时，首先需要将秘密信息编码为二进制序列，将信息编码为二进制序列首先需要确定编码的规则，然后将秘密信息分割成小单元，根据编码规则将小单元转换为对应的二进制序列，将二进制序列打包成适合传输的格式，常见的二进制编码类型有ASCII编码、UTF-8编码和Huffman编码，二进制序列是信息表示和数据处理的基础，把秘密信息转换为可以存储或传输的二进制格式，采取纠错编码和冗余编码的措施将原始秘密信息生成设定长度的二进制序列，当长度达不到设定长度时不足部分用0进行填充，从而生成二进制秘密信息。
在步骤S102中，载体图像是被嵌入图像数字水印的原始图像，不仅可以隐藏数字水印信息而且可以保持原始图像的视觉质量，载体图像的选择会影响图像数字水印的鲁棒性和隐蔽性，鲁棒性和隐蔽性越好则图像数字水印嵌入技术越好，选择载体图像的考虑因素包括：图像类型和格式、图像尺寸和质量、图像内容和纹理以及图像的用途和环境，这些因素都会影响图像数字水印的质量、嵌入容量以及隐蔽性；选择合适的载体图像后，需要再载体图像上多次叠加随机生成的原始高斯噪声，以获得最后的潜在噪声，在一些实施例中，按照设定规则对载体图像多次叠加原始高斯噪声，得到潜在噪声，包括：
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数
按照时间步逐轮对载体图像x0叠加噪声，表达式为：
其中，xt表示t时间步叠加噪声的载体图像，∈表示原始高斯噪声。
具体的，载体图像添加高斯噪声包括以下步骤S1021～S1024：
步骤S1021：读取载体图像，确定高斯噪声的参数，参数包括均值和标准差。
步骤S1022：根据高斯分布和高斯噪声的参数，随机生成与图像大小相同的噪声矩阵，每个像素点的值是从高斯分布中随机抽取的。
步骤S1023：通过元素加法将生成的噪声矩阵添加到载体图像上，叠加的结果要在像素值范围内。
步骤S1024：对添加噪声后的图像进行规范性调整。
进一步的，高斯噪声就是给载体图像添加一个服从高斯分布的噪声，高斯分布均值决定了高斯噪声的中心位置，均值为0时保证载体图像的高度不会变化，方差和标准差越大噪声越强；载体图像的像素范围值通常为0到255，添加完噪声的图像有超出像素点的数值需要进行规范性调整，调整的方法包括裁剪、截断、反射和取模运算，调整到数值均再像素点范围内。
在步骤S103和步骤S104中，含秘潜在噪声是将二进制秘密信息编码进潜在噪声生成的，使用预训练的编码器将二进制秘密信息转换为像素值的变化，并将这些变化嵌入到含有潜在噪声的噪声图像中，嵌入二进制秘密前后的潜在噪声和含秘潜在噪声在数据分布上要尽可能相似，保证载体图像的质量和秘密信息的完整性，通过编码器将二进制秘密信息和潜在噪声进行整合，编码器需要预先训练；在一些实施例中，编码器的训练步骤包括步骤S1031～S1033：
步骤S1031：获取第一训练样本集，第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像。
步骤S1032：获取初始编码器和初始解码器，初始编码器以样本二进制秘密信息和样本噪声图像为输入，并输出含秘噪声图像；初始解码器以含秘噪声图像为输入并输出二进制秘密信息的估计值。
步骤S1033：通过最小化样本噪声图像和含秘噪声图像的偏差，以及最小化样本二进制秘密信息和二进制秘密信息的估计值的偏差构建损失，采用第一训练样本集对初始编码器和初始解码器进行训练，得到编码器。
具体的，编码器的作用是将二进制秘密信息和含有潜在噪声的噪声图像进行整合后得到含秘噪声图像，训练编码器的过程中需要衡量噪声图像与含秘噪声图像的差异，计算损失后采用梯度下降法更新编码器的参数，用于下一次迭代，梯度下降方法是一种通过计算损失函数的导数来寻找损失函数的优化方法，通过迭代更新参数来最小化损失函数，从而更加精确地预测结果，常用的梯度下降算法包括：批量梯度下降算法、随机梯度下降算法和小批量梯度下降算法，目前使用的用于梯度更新的优化方法包括自适应时刻估计方法(Adam)和均方根传播(RMSProp)，初始编码器训练完成后得到编码器。
进一步的，扩散模型是一个生成式模型，逐步向原始数据中添加随机噪声，在反向扩散过程中，从噪声中提取出原始数据，本发明使用的去噪扩散隐式模型是对原始版本的扩散模型，即去噪扩散概率模型进行了生成图像过程的改进，除此之外，去噪扩散隐式模型保证相同的噪声生成相同的图像，确保噪声生成图像的过程确定化，同时去噪扩散隐式模型具有可逆性，通过常微分方程可以近似获取图像对应的噪声。在一些实施例中，去噪扩散隐式模型的训练步骤包括步骤S1041～S1044：
步骤S1041：获取图像数据训练样本集，图像数据训练样本集包括多个样本载体图像。
步骤S1042：预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈。
步骤S1043：获取初始去噪扩散隐式模型，初始去噪扩散隐式模型为U-Net模型。
步骤S1044：在训练过程中，按照时间步对样本载体图像叠加原始高斯噪声，定义时间步t对样本载体图像添加的噪声为初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出原始高斯噪声的估计值∈θ(xt，t)，通过最小化原始高斯噪声估计值和真实值的偏差对初始去噪扩散隐式模型进行参数更新得到去噪扩散隐式模型。
具体的，对载体样本进行原始噪声叠加是逐级叠加，x0、x1…xt，数列中的βt为向图像数据训练样本集中的样本载体图像逐步添加原始高斯噪声的过程中时间步为t时所添加噪声的方差，方差越大则添加的高斯噪声越强，本发明的去噪扩散隐式模型使用U-Net结构的神经网络，U-Net是一种卷积神经网络(CNN)架构，广泛应用于图像分割和医学图像处理领域，U-Net神经网络具有一个多阶段的卷积和反卷积过程，能够有效地提取输入图像的特征，并对其进行精细的分割，去噪扩散隐式模型除了可以使用U-Net结构的神经网络外，还包括：卷积神经网络(CNN)、递归卷积神经网络(RCNN)、快速卷积神经网络(Fast R-CNN，Faster R-CNN)、生成对抗网络(GAN)和变分自编码器(VAE)，根据任务的复杂性、数据量和计算要求选择合适的网络结构。
进一步的，去噪扩散隐式模型在训练过程中计算原始高斯噪声∈和原始高斯噪声的估计值∈θ(xt，t)的偏差后构建损失函数L＝||∈-∈θ(xt，t)||2，采用梯度下降法更新神经网络参数θ，将神经网络参数更新为其中η为学习率，更新至损失足够小或者达到迭代次数后停止，图像数字水印嵌入过程和图像数字水印提取过程都需要通过预训练的去噪扩散隐式模型进行图像和噪声之间的转换。
在步骤S105中，反向处理是根据含秘潜在噪声以及估计高斯噪声生成目标图像的过程，目标图像是含有数字水印的载体图像，携带有原始秘密信息编制而成的二进制秘密信息；在一些实施例中，根据含秘潜在噪声以及估计高斯噪声，利用设定规则进行反向处理生成含数字水印的目标图像，计算式为：
其中，xt表示含秘潜在噪声，αt表示一个定义系数，t表示时间步，∈θ(xt，t)表示估计高斯噪声。
具体的，计算公式逐步生成图像xt-1，xt-2，…x1，x0，直到输出最后的目标图像x0，在计算过程中采用估计高斯噪声进行计算将嵌入过程可能产生的损失预先考虑到，接受图像随图像嵌入过程中会产生变化，从而根据估计高斯噪声得到更加准确更加接近于实际的目标图像结果；进一步的，去噪扩散隐式噪声可以利用自身特性进行加速采样，即按照原来采样序列的一个子序列进行采样，以减少采样步骤，加速目标图像的生成过程，去噪扩散隐式模型将前向过程构建为非马尔可夫过程，反向过程是非马尔可夫的逆过程，由此非马尔可夫过程的方式加速生成高质量样本。
图2为本发明一实施例所述图像数字水印提取方法的流程示意图。另一方面，本发明还提供一种图像数字水印提取方法，该方法由图像数字水印提取方执行，该方法包括以下步骤S201～S204：
步骤S201：获取待处理的目标图像，目标图像是基于上述图像数字水印嵌入方法得到的。
步骤S202：将目标图像输入预训练的去噪扩散隐式模型，并输出估计高斯噪声。
步骤S203：按照设定规则对目标图像多次叠加估计高斯噪声，得到含秘潜在噪声。
步骤S204：将含秘潜在噪声输入预训练的解码器以输出二进制秘密信息，并还原为原始秘密信息。
在步骤S201、步骤S202和步骤S203中，图像数字水印提取方在对图像数字水印中的秘密信息有提取需求时，需要借助去噪扩散隐式噪声模型计算出含数字水印的目标图像的估计高斯噪声，生成含秘潜在噪声的过程是按照和图像数字水印嵌入方法中相同的设定规则对目标图像进行多次叠加估计高斯噪声。
在步骤S204中，解码器将含秘潜在噪声解码为二进制秘密信息，二进制秘密信息从可以存储或传输的二进制格式转化为原始的秘密信息，原始的秘密信息可以为图像数字水印提取方直接进行秘密信息的读取、使用和存储，不需要再借助计算机以及其他设备进行转码和读取。在一些实施例中，解码器的训练包括以下步骤S2041～S2043：
步骤S2041：获取第一训练样本集，第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像。
步骤S2042：获取初始编码器和初始解码器，初始编码器以样本二进制秘密信息和样本噪声图像为输入，并输出含秘噪声图像；初始解码器以含秘噪声图像为输入并输出二进制秘密信息的估计值。
步骤S2043：通过最小化含秘噪声图像和样本噪声图像的偏差，以及最小化样本二进制秘密信息和二进制秘密信息的估计值的偏差构建损失，采用第一训练样本集对初始编码器和初始解码器进行训练，得到解码器。
在一些实施例中，解码器的训练包括以下步骤S1～S5：
步骤S1：获取多个样本载体图像。
步骤S2：预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈。
步骤S3：按照时间步对各样本载体图像叠加原始高斯噪声，定义时间步t对样本载体图像添加的噪声为得到样本潜在噪声图像，并构建第二训练样本集。
步骤S4：获取初始编码器和初始解码器，在训练过程中，初始编码器以样本二进制秘密信息和样本潜在噪声图像为输入，输出含秘噪声图像；初始解码器以含秘噪声图像为输入并输出二进制秘密信息的估计值；含秘噪声图像还输入去噪扩散隐式模型输出噪声估计值，利用噪声估计值按照设定规则对含秘噪声图像进行反处理得到含数字水印的目标图像；构建图像判别器对含数字水印的目标图像和样本载体图像进行分类识别。
步骤S5：通过最小化含秘噪声图像和样本噪声图像的偏差，最小化样本二进制秘密信息和二进制秘密信息的估计值的偏差，以及最小化图像判别器识别准确率构建损失，采用第二训练样本集对初始编码器和初始解码器进行训练，得到解码器。
具体的，本发明采用训练对抗生成网络的思想，对抗生成网络是一种深度学习架构，由生成器和判别器两个神经网络组成，生成器根据随机噪声生成假数据后判别器需要判断输入的数据是真数据还是假数据，在训练过程中利用对抗训练来优化参数从而生成更加真实的数据直至判别器无法识别假数据，本发明设立图像判别器，交替训练解码器、编码器和图像判别器，对载体图像和含数字水印的目标图像进行差异对比，对嵌入图像的二进制秘密信息和提取的二进制秘密信息进行差异对比，差异越小则嵌入图像数字水印与提取图像数字水印中的秘密信息过程中的损失越小，保证图像和秘密信息的完整性和真实性，解码器的作用是将含秘潜在噪声中的二进制秘密信息进行解码，解码后的二进制秘密信息还原为原始秘密信息，还原得来的原始秘密信息与图像数字水印嵌入时的原始秘密信息进行对比差异，当以越小则嵌入与提取过程中的损失越小，秘密信息的传输越安全，提取出的秘密信息越完整。
另一方面，本发明还提供一种图像数字水印嵌入装置，图像数字水印嵌入装置包括：
二进制转化模块，用于将原始秘密信息编码为二进制序列，生成二进制秘密信息。
载体图像获取模块，用于获取载体图像，并随机生成原始高斯噪声，按照设定规则对载体图像多次叠加原始高斯噪声，得到潜在噪声。
含秘潜在噪声生成模块，用于将二进制秘密信息和潜在噪声通过预训练的编码器进行整合，生成在数据分布上与潜在噪声相近的含秘潜在噪声。
估计高斯噪声生成模块，用于将含秘潜在噪声输入预训练的去噪扩散隐式模型得到估计高斯噪声。
目标图像生成模块，用于根据含秘潜在噪声以及估计高斯噪声，利用设定规则进行反向处理生成含数字水印的目标图像，使目标图像隐含原始秘密信息。
在一些实施例中，载体图像获取模块按照设定规则对载体图像多次叠加原始高斯噪声，得到潜在噪声，包括：
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数
按照时间步逐轮对载体图像x0叠加噪声，表达式为：
其中，xt表示t时间步叠加噪声的载体图像，∈表示原始高斯噪声。
在一些实施例中，图像数字水印嵌入装置还设有模型预训练模块，用于执行编码器的训练步骤，包括：
获取第一训练样本集，第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像。
获取初始编码器和初始解码器，初始编码器以样本二进制秘密信息和样本噪声图像为输入，并输出含秘噪声图像；初始解码器以含秘噪声图像为输入并输出二进制秘密信息的估计值。
通过最小化样本噪声图像和含秘噪声图像的偏差，以及最小化样本二进制秘密信息和二进制秘密信息的估计值的偏差构建损失，采用第一训练样本集对初始编码器和初始解码器进行训练，得到编码器。
在一些实施例中，模型预训练模块还用于训练去噪扩散隐式模型，包括：
获取图像数据训练样本集，图像数据训练样本集包括多个样本载体图像。
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈。
获取初始去噪扩散隐式模型，初始去噪扩散隐式模型为U-Net模型。
在训练过程中，按照时间步对样本载体图像叠加原始高斯噪声，定义时间步t对样本载体图像添加的噪声为初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出原始高斯噪声的估计值∈θ(xt，t)，通过最小化原始高斯噪声估计值和真实值的偏差对初始去噪扩散隐式模型进行参数更新得到去噪扩散隐式模型。
在一些实施例中，目标图像生成模块根据含秘潜在噪声以及估计高斯噪声，利用设定规则进行反向处理生成含数字水印的目标图像，计算式为：
其中，xt表示含秘潜在噪声，αt表示一个定义系数，t表示时间步，∈θ(xt，t)表示估计高斯噪声。
另一方面。本发明还提供一种图像数字水印提取装置，图像数字水印提取装置包括：
目标图像获取模块，用于获取待处理的目标图像，目标图像是基于图像数字水印嵌入方法得到的。
估计高斯噪声生成模块，用于将目标图像输入预训练的去噪扩散隐式模型，并输出估计高斯噪声。
含秘潜在噪声生成模块，用于按照设定规则对目标图像多次叠加估计高斯噪声，得到含秘潜在噪声。
原始秘密信息还原模块，用于将含秘潜在噪声输入预训练的解码器以输出二进制秘密信息，并还原为原始秘密信息。
在一些实施例中，图像数字水印提取装置还设有模型预训练模块，用于训练去噪扩散隐式模型，包括：
获取图像数据训练样本集，图像数据训练样本集包括多个样本载体图像。
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈。
获取初始去噪扩散隐式模型，初始去噪扩散隐式模型为U-Net模型。
在训练过程中，按照时间步对样本载体图像叠加原始高斯噪声，定义时间步t对样本载体图像添加的噪声为初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出对原始高斯噪声的估计∈θ(xt，t)，通过最小化对原始高斯噪声估计值和真实值的偏差对初始去噪扩散隐式模型进行参数更新得到去噪扩散隐式模型。
在一些实施例中，模型预训练模块还用于执行编码器的训练步骤，包括：
获取第一训练样本集，第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像。
获取初始编码器和初始解码器，初始编码器以样本二进制秘密信息和样本噪声图像为输入，并输出含秘噪声图像；初始解码器以含秘噪声图像为输入并输出二进制秘密信息的估计值。
通过最小化含秘噪声图像和样本噪声图像的偏差，以及最小化样本二进制秘密信息和二进制秘密信息的估计值的偏差构建损失，采用第一训练样本集对初始编码器和初始解码器进行训练，得到解码器。
在一些实施例中，模型预训练模块还用于执行编码器的训练步骤，包括：获取多个样本载体图像。
预定义值在(0，1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈。
按照时间步对各样本载体图像叠加原始高斯噪声，定义时间步t对样本载体图像添加的噪声为得到样本潜在噪声图像，并构建第二训练样本集。
获取初始编码器和初始解码器，在训练过程中，初始编码器以样本二进制秘密信息和样本潜在噪声图像为输入，输出含秘噪声图像；初始解码器以含秘噪声图像为输入并输出二进制秘密信息的估计值；含秘噪声图像还输入去噪扩散隐式模型输出噪声估计值，利用噪声估计值按照设定规则对含秘噪声图像进行反处理得到含数字水印的目标图像；构建图像判别器对含数字水印的目标图像和样本载体图像进行分类识别。
通过最小化含秘噪声图像和样本噪声图像的偏差，最小化样本二进制秘密信息和二进制秘密信息的估计值的偏差，以及最小化图像判别器识别准确率构建损失，采用第二训练样本集对初始编码器和初始解码器进行训练，得到解码器。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现上述任一项所述方法的步骤。
下面结合一具体实施例对本发明进行说明：
图3为本发明一实施例所述图像数字水印嵌入与提取方法的结构示意图。首先需要训练去噪扩散隐式模型(DDIM)，使之能够由高斯噪声生成图像，其训练集的内容应该与载体图像在语义上相似，例如都是人脸，但不需要载体图像出现在训练集中，该模型的采样过程由噪声生成图像，反采样过程将图像还原为对应的噪声。
训练编码器和解码器，编码器和解码器是两个人工神经网络，分别用于将秘密信息嵌入噪声中，以及从包含秘密信息的噪声中提取出秘密信息，同时引入图像判别器，用以引导编码器和解码器正确嵌入秘密信息，且使包含数字水印的目标图像与原始载体图像尽可能相似。
训练时，随机挑选一批载体图像，随后将其通过DDIM的反采样过程还原为潜在噪声，随后将潜在噪声和秘密信息输入编码器，生成含密潜在噪声，之后通过DDIM模型由该噪声生成含数字水印的目标图像。编解码器的损失函数由两部分构成，分别是与提取准确率相关的项和与图像质量相关的项；计算与提取准确率相关的项时，需要将含数字水印的目标图像再次通过DDIM模型还原为含密潜在噪声，因为反采样过程存在误差，需要让解码器适应误差，再通过解码器提取秘密信息，比较原始秘密信息和提取出的秘密信息，然后才能计算信息提取准确率相关的损失函数的项；计算与图像质量相关的项时，由图像判别器给出，当图像判别器将含数字水印的目标图像识别为不含水印时，则原始载体图像到含数字水印的目标图像过程中的损失小，图像判别器、编码器和解码器采用对抗生成网络的方法训练，即交替训练编解码器和图像判别器，图像判别器的目标是尽可能分辨给出的图像是否包含水印。
训练完成后，即可开始应用该方法，数字水印的嵌入发和提取方需要持有相同的DDIM模型，前者还需要编码器，后者还需要解码器，嵌入方将秘密信息和由叠加噪声的载体图像输入编码器，获取包含秘密信息的噪声，随后通过DDIM生成含数字水印的图像；提取方则将含数字水印的目标图像由DDIM模型叠加噪声得到含密噪声，随后由解码器提取出其中的二进制秘密信息并还原为原始秘密信息。
1.去噪扩散隐式模型的训练方法包括：
1.1.准备工作包括准备数据集、确定模型的结构和确定噪声序列。
a.准备足够数量的图像数据集，其内容取决于载体图像的内容和语义，如果载体图像是人脸，则应该准备足够数量的人脸图像。
b.DDIM模型∈θ(xt，t)可以是一个U-Net结构的神经网络，可以使用注意力机制增强其表现，其中xt表示时间步t时的图像，θ为神经网络参数。
c.预先定义数列其中βt为向训练集中图像逐步添加噪声过程中时间步t所添加噪声的方差，T为最大时间步，满足0<β1<β2<…<βT<1；同时对于时间步t，定义系数
1.2.从数据集中选取一张原图x0，并随机生成一个高斯噪声∈，随机选取时间步t。随后计算时间步t添加噪声后的图像，随后将xt和t输入模型得到对于噪声的估计∈θ(xt，t)。计算损失L＝||∈-∈θ(xt，t)||2，即真实噪声和估计噪声的欧几里得距离的平方。采用梯度下降更新神经网络参数θ，将其更新为其中η为学习率。重复上述步骤，直到损失足够小，或者达到设定的迭代次数，获得神经网络模型∈θ(xt，t)。
1.3.对于高斯噪声xT，逐步生成图像xT-1，xT-2，…，x0，最后的x0即为输出的图像，将由噪声xT借助模型∈θ(xt，t)生成图像的过程定义为fθ(xT)，表达式为：
利用DDIM的特性加速采样过程，即不按照{T，T-1，…，0}的顺序生成图像，而使用一个{T，T-1，…，0}的子序列生进行采样，以减少采样步骤，加速图像生成。例如，对于T＝1000，可以使用子序列{1000,990,980，…，0}来进行采样，只需将公式中的t-1和t更换为子序列中相邻的时间步。
1.4.对于图像x0，逐步还原为潜在噪声x0，x1，…，xT，最后的xT即为还原的潜在噪声，表达式为：
将上述过程定义为其含义为由图像x0借助模型∈θ(xt，t)还原的潜在噪声，需要注意的是，由于计算精度和整数/浮点数转换的原因，上述还原过程是存在误差的，并非真正意义上的互逆操作。
2.编码器、解码器和图像判别器的训练方法包括：
2.1.定义单个图像的容量为C，定义编码器为E(m，z)，解码器为D(z′)，图像判别器为I(p)，并分别确定其结构，其中m代表二进制的秘密信息，z代表由载体图像还原而来的潜在噪声，z′代表含密潜在噪声，p代表图像；图像判别器是一个二分类器，用于判断输入图像是否嵌入了图像数字水印；编解码器和判别器可以采取任何适用于图像处理的神经网络结构，可能由若干全连接层、卷积层和残差连接等组成。
2.2.使用训练对抗生成网络的方式，交替训练编解码器和图像判别器。
训练编解码器时，首先生成的长度为C的随机二进制序列，或者长度小于C但不足部分用0填充的二进制序列，定义为秘密信息m。此外还需随机挑选原始载体图像p，利用DDIM模型将其还原为潜在噪声z。之后，将二进制秘密信息C和潜在噪声z输入编码器获取含密潜在噪声z′＝E(m，z)，再将含密潜在噪声依次输入图像生成过程fθ、噪声还原过程和解码器，得到提取出的秘密信息定义损失函数为L′＝LA+LB，其中LA和LB分别代表信息提取误差和图像质量误差，前者用于衡量提取出的秘密信息m′与m的相似程度，后者用于衡量含数字水印的目标图像p′＝fθ(z′)和原始载体图像p的相似程度，计算损失后，使用梯度下降法同步更新编码器和解码器的参数，下面是损失函数的两个示例：
LA＝-(m log(m′)+(1-m)log(1-m′))；
LB＝log(I(p′))；
LA即提取出的二进制秘密信息和原始二进制秘密信息的二元交叉熵；LB即是将编码器输出的含数字水印的目标图像交由图像判别器识别的结果，编码器希望图像判别器无法正确识别，将含水印的p′判断为不含水印的图像。
训练图像判别器时，判别器的每个训练批次包含相同数量的原始载体图像和含图像数字水印的图像，训练批次中的原始载体图像和含图像数字水印的图像不需要对应关系，即含图像数字水印的图像不一定是由同一批次中的原始载体图像生成的；与基本的对抗生成网络相同，图像判别器是一个二分类器，使用二元交叉熵损失函数LI，表达式为：
LI＝-(y log(y′)+(1-y)log(1-y′))；
其中y′和y分别为预测结果和真实结果，1代表输入是含图像数字水印的图像，0代表输入不是含图像数字水印的图像。
3.图像数字水印嵌入与提取方法包括：
3.1.图像数字水印的嵌入方和提取方都需要拥有同样的模型及参数∈θ(xt,t)，嵌入方还必须拥有编码器E(m，z)，提取方需要拥有解码器D(z′)，这些神经网络模型必须通过安全可靠的方式进行共享和传递。
3.2.图像数字水印嵌入方将秘密信息编码为二进制序列，并可以采取纠错编码或冗余编码措施，形成长度为C的二进制序列m，长度不足C的子序列用0填充；对于每个二进制序列m和载体图像p，嵌入方使用DDIM模型以及编码器生成含图像数字水印的图像p′；将载体图像p由DDIM模型还原为潜在噪声然后将潜在噪声和秘密信息输入编码器获取含密潜在噪声借助DDIM模型由含密潜在噪声生成含图像数字水印的图像表达式为：
3.3.对于含图像数字水印的图像p′，接收者使用解码器和DDIM模型，将秘密信息m′提取出来；将含图像数字水印的图像p′由DDIM模型还原为含密潜在噪声将含密潜在噪声输入解码器，提取出二进制秘密信息表达式为：
提取出的二进制秘密信息m′可能存在错误，使用冗余编码或纠错码有助于预防错误。
综上所述，本发明提供一种图像数字水印嵌入方法、提取方法及系统，图像数字水印嵌入方将原始秘密信息编码为二进制序列，生成二进制秘密信息，获取载体图像并随机生成原始高斯噪声，按照设定规则对所述载体图像多次叠加所述原始高斯噪声后得到潜在噪声；将所述二进制秘密信息和所述潜在噪声通过预训练的编码器进行整合，生成在数据分布上与所述潜在噪声相近的含秘潜在噪声；将所述含秘潜在噪声输入预训练的去噪扩散隐式模型得到估计高斯噪声；根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像；图像数字水印提取方将所述目标图像输入预训练的去噪扩散隐式模型并输出估计高斯噪声，按照设定规则对所述目标图像多次叠加所述估计高斯噪声，得到含秘潜在噪声，将所述含秘潜在噪声输入预训练的解码器以输出二进制秘密信息，并还原为原始秘密信息，本发明能够在保证载体图像语义不失真的条件下，实现对水印信息地高效嵌入和提取。
进一步的，本发明构建图像判别器对图像数字水印嵌入前后的图像和图像数字水印提取前后的秘密信息进行差异识别，准确识别图像数字水印嵌入时所述含数字水印的目标图像和所述载体图像的偏差，图像数字水印提取时所述二进制秘密信息的估计值和所述二进制秘密信息的偏差，保持图像数字水印嵌入前后的图像语义一致，提高图像的质量和抗检测能力。
本发明实施例还提供了一种计算机设备，该计算机设备可以包括处理器、存储器，其中处理器和存储器可以通过总线或者其他方式连接。
处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的车载显示装置按键屏蔽方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行本实施例中所述的方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (19)

1.一种图像数字水印嵌入方法，其特征在于，所述方法由图像数字水印嵌入方执行，所述方法包括如下步骤：
将原始秘密信息编码为二进制序列，生成二进制秘密信息；
获取载体图像，并随机生成原始高斯噪声，按照设定规则对所述载体图像多次叠加所述原始高斯噪声，得到潜在噪声；
将所述二进制秘密信息和所述潜在噪声通过预训练的编码器进行整合，生成在数据分布上与所述潜在噪声相近的含秘潜在噪声；
将所述含秘潜在噪声输入预训练的去噪扩散隐式模型得到估计高斯噪声；
根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像，使所述目标图像隐含所述原始秘密信息。
2.根据权利要求1所述的图像数字水印嵌入方法，其特征在于，按照设定规则对所述载体图像多次叠加所述原始高斯噪声，得到潜在噪声，包括：
预定义值在(0,1)范围内的数列T表示最大时间步；定义系数
按照时间步逐轮对所述载体图像x0叠加噪声，表达式为：
其中，xt表示t时间步叠加噪声的所述载体图像，∈表示原始高斯噪声。
3.根据权利要求2所述的图像数字水印嵌入方法，其特征在于，所述编码器的训练步骤包括：
获取第一训练样本集，所述第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像；
获取初始编码器和初始解码器，所述初始编码器以所述样本二进制秘密信息和所述样本噪声图像为输入，并输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；
通过最小化所述样本噪声图像和所述含秘噪声图像的偏差，以及最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差构建损失，采用所述第一训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述编码器。
4.根据权利要求3所述的图像数字水印嵌入方法，其特征在于，所述去噪扩散隐式模型的训练步骤包括：
获取图像数据训练样本集，所述图像数据训练样本集包括多个样本载体图像；
预定义值在(0,1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
获取初始去噪扩散隐式模型，所述初始去噪扩散隐式模型为U-Net模型；
在训练过程中，按照时间步对所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为所述初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出所述原始高斯噪声的估计值∈θ(xt,t)，通过最小化所述原始高斯噪声估计值和真实值的偏差对所述初始去噪扩散隐式模型进行参数更新得到所述去噪扩散隐式模型。
5.根据权利要求4所述的图像数字水印嵌入方法，其特征在于，根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像，计算式为：
其中，xt表示所述含秘潜在噪声，αt表示一个定义系数，t表示时间步，∈θ(xt,t)表示所述估计高斯噪声。
6.一种图像数字水印提取方法，其特征在于，所述方法由图像数字水印提取方执行，所述方法包括如下步骤：
获取待处理的目标图像，所述目标图像是基于权利要求1至5任意一项所述图像数字水印嵌入方法得到的；
将所述目标图像输入预训练的去噪扩散隐式模型，并输出估计高斯噪声；
按照设定规则对所述目标图像多次叠加所述估计高斯噪声，得到含秘潜在噪声；
将所述含秘潜在噪声输入预训练的解码器以输出二进制秘密信息，并还原为原始秘密信息。
7.根据权利要求6所述的图像数字水印提取方法，其特征在于，所述去噪扩散隐式模型的训练步骤包括：
获取图像数据训练样本集，所述图像数据训练样本集包括多个样本载体图像；
预定义值在(0,1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
获取初始去噪扩散隐式模型，所述初始去噪扩散隐式模型为U-Net模型；
在训练过程中，按照时间步对所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为所述初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出对所述原始高斯噪声的估计∈θ(xt,t)，通过最小化对所述原始高斯噪声估计值和真实值的偏差对所述初始去噪扩散隐式模型进行参数更新得到所述去噪扩散隐式模型。
8.根据权利要求7所述的图像数字水印提取方法，其特征在于，所述解码器的训练步骤包括：
获取第一训练样本集，所述第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像；
获取初始编码器和初始解码器，所述初始编码器以所述样本二进制秘密信息和所述样本噪声图像为输入，并输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；
通过最小化所述含秘噪声图像和所述样本噪声图像的偏差，以及最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差构建损失，采用所述第一训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述解码器。
9.根据权利要求8所述的图像数字水印提取方法，其特征在于，所述解码器的训练步骤包括：
获取多个样本载体图像；
预定义值在(0,1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
按照时间步对各所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为得到样本潜在噪声图像，并构建第二训练样本集；
获取所述初始编码器和所述初始解码器，在训练过程中，所述初始编码器以所述样本二进制秘密信息和所述样本潜在噪声图像为输入，输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；所述含秘噪声图像还输入所述去噪扩散隐式模型输出噪声估计值，利用噪声估计值按照设定规则对所述含秘噪声图像进行反处理得到含数字水印的目标图像；构建图像判别器对所述含数字水印的目标图像和所述样本载体图像进行分类识别；
通过最小化所述含秘噪声图像和所述样本噪声图像的偏差，最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差，以及最小化所述图像判别器识别准确率构建损失，采用所述第二训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述解码器。
10.一种图像数字水印嵌入装置，其特征在于，所述装置包括：
二进制转化模块，用于将原始秘密信息编码为二进制序列，生成二进制秘密信息；
载体图像获取模块，用于获取载体图像，并随机生成原始高斯噪声，按照设定规则对所述载体图像多次叠加所述原始高斯噪声，得到潜在噪声；
含秘潜在噪声生成模块，用于将所述二进制秘密信息和所述潜在噪声通过预训练的编码器进行整合，生成在数据分布上与所述潜在噪声相近的含秘潜在噪声；
估计高斯噪声生成模块，用于将所述含秘潜在噪声输入预训练的去噪扩散隐式模型得到估计高斯噪声；
目标图像生成模块，用于根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像，使所述目标图像隐含所述原始秘密信息。
11.根据权利要求10所述的图像数字水印嵌入装置，其特征在于，所述载体图像获取模块按照设定规则对所述载体图像多次叠加所述原始高斯噪声，得到潜在噪声，包括：
预定义值在(0,1)范围内的数列T表示最大时间步；定义系数
按照时间步逐轮对所述载体图像x0叠加噪声，表达式为：
其中，xt表示t时间步叠加噪声的所述载体图像，∈表示原始高斯噪声。
12.根据权利要求11所述的图像数字水印嵌入装置，其特征在于，所述装置还设有模型预训练模块，用于执行所述编码器的训练步骤，包括：
获取第一训练样本集，所述第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像；
获取初始编码器和初始解码器，所述初始编码器以所述样本二进制秘密信息和所述样本噪声图像为输入，并输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；
通过最小化所述样本噪声图像和所述含秘噪声图像的偏差，以及最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差构建损失，采用所述第一训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述编码器。
13.根据权利要求12所述的图像数字水印嵌入装置，其特征在于，所述模型预训练模块还用于训练所述去噪扩散隐式模型，包括：
获取图像数据训练样本集，所述图像数据训练样本集包括多个样本载体图像；
预定义值在(0,1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
获取初始去噪扩散隐式模型，所述初始去噪扩散隐式模型为U-Net模型；
在训练过程中，按照时间步对所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为所述初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出所述原始高斯噪声的估计值∈θ(xt,t)，通过最小化所述原始高斯噪声估计值和真实值的偏差对所述初始去噪扩散隐式模型进行参数更新得到所述去噪扩散隐式模型。
14.根据权利要求13所述的图像数字水印嵌入装置，其特征在于，所述目标图像生成模块根据所述含秘潜在噪声以及所述估计高斯噪声，利用所述设定规则进行反向处理生成含数字水印的目标图像，计算式为：
其中，xt表示所述含秘潜在噪声，αt表示一个定义系数，t表示时间步，∈θ(xt,t)表示所述估计高斯噪声。
15.一种图像数字水印提取装置，其特征在于，所述装置包括：
目标图像获取模块，用于获取待处理的目标图像，所述目标图像是基于图像数字水印嵌入方法得到的；
估计高斯噪声生成模块，用于将所述目标图像输入预训练的去噪扩散隐式模型，并输出估计高斯噪声；
含秘潜在噪声生成模块，用于按照设定规则对所述目标图像多次叠加所述估计高斯噪声，得到含秘潜在噪声；
原始秘密信息还原模块，用于将所述含秘潜在噪声输入预训练的解码器以输出二进制秘密信息，并还原为原始秘密信息。
16.根据权利要求15所述的图像数字水印嵌入装置，其特征在于，所述装置还设有模型预训练模块，用于训练所述去噪扩散隐式模型，包括：
获取图像数据训练样本集，所述图像数据训练样本集包括多个样本载体图像；
预定义值在(0,1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
获取初始去噪扩散隐式模型，所述初始去噪扩散隐式模型为U-Net模型；
在训练过程中，按照时间步对所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为所述初始去噪扩散隐式模型以噪声xt和时间步t为输入并输出对所述原始高斯噪声的估计∈θ(xt,t)，通过最小化对所述原始高斯噪声估计值和真实值的偏差对所述初始去噪扩散隐式模型进行参数更新得到所述去噪扩散隐式模型。
17.根据权利要求16所述的图像数字水印嵌入装置，其特征在于，所述模型预训练模块还用于执行所述编码器的训练步骤，包括：
获取第一训练样本集，所述第一训练样本集包括多个样本数据，每个样本数据内包含一个样本二进制秘密信息和一个样本噪声图像；
获取初始编码器和初始解码器，所述初始编码器以所述样本二进制秘密信息和所述样本噪声图像为输入，并输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；
通过最小化所述含秘噪声图像和所述样本噪声图像的偏差，以及最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差构建损失，采用所述第一训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述解码器。
18.根据权利要求17所述的图像数字水印嵌入装置，其特征在于，所述模型预训练模块还用于执行所述编码器的训练步骤，包括：获取多个样本载体图像；
预定义值在(0,1)范围内的数列T表示最大时间步；定义系数随机生成原始高斯噪声∈；
按照时间步对各所述样本载体图像叠加所述原始高斯噪声，定义时间步t对样本载体图像添加的噪声为得到样本潜在噪声图像，并构建第二训练样本集；
获取所述初始编码器和所述初始解码器，在训练过程中，所述初始编码器以所述样本二进制秘密信息和所述样本潜在噪声图像为输入，输出含秘噪声图像；所述初始解码器以所述含秘噪声图像为输入并输出二进制秘密信息的估计值；所述含秘噪声图像还输入所述去噪扩散隐式模型输出噪声估计值，利用噪声估计值按照设定规则对所述含秘噪声图像进行反处理得到含数字水印的目标图像；构建图像判别器对所述含数字水印的目标图像和所述样本载体图像进行分类识别；
通过最小化所述含秘噪声图像和所述样本噪声图像的偏差，最小化所述样本二进制秘密信息和所述二进制秘密信息的估计值的偏差，以及最小化所述图像判别器识别准确率构建损失，采用所述第二训练样本集对所述初始编码器和所述初始解码器进行训练，得到所述解码器。
19.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至18中任一项所述方法的步骤。
CN202410724349.3A 2024-07-26 2024-07-26 一种图像数字水印嵌入方法、提取方法及系统 Pending CN118632012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410724349.3A CN118632012A (zh) 2024-07-26 2024-07-26 一种图像数字水印嵌入方法、提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410724349.3A CN118632012A (zh) 2024-07-26 2024-07-26 一种图像数字水印嵌入方法、提取方法及系统

Publications (1)

Publication Number Publication Date
CN118632012A true CN118632012A (zh) 2024-09-10

Family

ID=92601429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410724349.3A Pending CN118632012A (zh) 2024-07-26 2024-07-26 一种图像数字水印嵌入方法、提取方法及系统

Country Status (1)

Country Link
CN (1) CN118632012A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119182525A (zh) * 2024-09-19 2024-12-24 国网山东省电力公司电力科学研究院 基于扩散模型的密钥生成方法、装置、电子设备及介质
CN119205478A (zh) * 2024-09-28 2024-12-27 宁波大学科学技术学院 基于条件扩散模型的鲁棒图像水印方法、系统及终端
CN119477741A (zh) * 2024-10-28 2025-02-18 四川大学 一种基于去噪自动编码器的图片降噪方法与系统
CN119648526A (zh) * 2024-11-14 2025-03-18 华东交通大学 一种基于多尺度缩放的微观电镜图像处理方法及系统
CN119693214A (zh) * 2025-02-26 2025-03-25 南京信息工程大学 基于稳定扩散模型的生成式不可见水印方法
CN119919783A (zh) * 2025-04-03 2025-05-02 国网数字科技控股有限公司 基于生成式水印的人工智能生成图像识别方法和系统
CN121151516A (zh) * 2025-11-20 2025-12-16 东北大学 一种基于扩散模型的自适应非对称图像隐写方法和系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119182525A (zh) * 2024-09-19 2024-12-24 国网山东省电力公司电力科学研究院 基于扩散模型的密钥生成方法、装置、电子设备及介质
CN119205478A (zh) * 2024-09-28 2024-12-27 宁波大学科学技术学院 基于条件扩散模型的鲁棒图像水印方法、系统及终端
CN119477741A (zh) * 2024-10-28 2025-02-18 四川大学 一种基于去噪自动编码器的图片降噪方法与系统
CN119648526A (zh) * 2024-11-14 2025-03-18 华东交通大学 一种基于多尺度缩放的微观电镜图像处理方法及系统
CN119693214A (zh) * 2025-02-26 2025-03-25 南京信息工程大学 基于稳定扩散模型的生成式不可见水印方法
CN119919783A (zh) * 2025-04-03 2025-05-02 国网数字科技控股有限公司 基于生成式水印的人工智能生成图像识别方法和系统
CN119919783B (zh) * 2025-04-03 2025-07-22 国网数字科技控股有限公司 基于生成式水印的人工智能生成图像识别方法和系统
CN121151516A (zh) * 2025-11-20 2025-12-16 东北大学 一种基于扩散模型的自适应非对称图像隐写方法和系统

Similar Documents

Publication Publication Date Title
CN118632012A (zh) 一种图像数字水印嵌入方法、提取方法及系统
Rezaei et al. Lawa: Using latent space for in-generation image watermarking
CN107111782B (zh) 神经网络结构及其方法
CN111491170B (zh) 嵌入水印的方法及水印嵌入装置
CN115136183B (zh) 图像水印
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
CN110929733A (zh) 除噪方法、装置、计算机设备、存储介质及模型训练方法
CN117376484B (zh) 一种面向电子证照防伪的生成式隐写方法
CN118279119B (zh) 一种图像水印信息的处理方法、装置及设备
CN120429848A (zh) 水印处理方法、装置、设备、介质和程序产品
CN120495650B (zh) 一种芯片缺陷检测方法、设备及介质
CN121010490A (zh) 水印嵌入方法、装置、电子装置和存储介质
US12326920B2 (en) Embedding concealed meta-data into deep neural networks (DNNs)
CN120746810A (zh) 基于仿射耦合流精确编码的扩散模型鲁棒水印方法
CN119205478B (zh) 基于条件扩散模型的鲁棒图像水印方法、系统及终端
Yuan et al. Dgadm-gis: Deterministic guided additive diffusion model for generative image steganography
CN117291787B (zh) 一种基于数据水印的追溯方法及系统
CN117974412B (zh) 基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统
Li et al. Robust watermarking for diffusion models based on STDM and latent space fine-tuning
CN118827875A (zh) 一种基于扩散模型的大容量生成式图像隐写方法
Janas et al. LLM-text watermarking based on lagrange interpolation
Zhang et al. Large-scale traceable and robust watermarking for diffusion models with precise affine coupling flow encoding
US12541576B2 (en) Method for digitally watermark a neural network, device and corresponding computer program
CN118823516B (zh) 高光谱图像分类模型的训练方法、装置和电子设备
WO2025228168A1 (en) Methods and systems for latent-aware image watermarking

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