TFP-WAN:基于Transformer架构的提示引导式不可感知水印攻击网络

《Signal Processing》:TFP-WAN: Prompt-guided Imperceptible Watermark Attack Network Based on Transformer Architecture

【字体: 大 中 小 】 时间:2026年10月22日 来源:Signal Processing 3.7

编辑推荐:

   摘要尽管传统水印攻击方法能够干扰水印的正确提取,但往往会导致带水印图像的视觉质量明显下降。因此,平衡攻击的有效性与宿主图像的视觉完整性变得十分困难。为解决这一问题,本文设计了一种高度通用且隐蔽的水印攻击网络(TFP-WAN)。在生成式、特征嵌入、空间域和变换域水印算法上,TF

  

摘要

尽管传统水印攻击方法能够干扰水印的正确提取,但往往会导致带水印图像的视觉质量明显下降。因此,平衡攻击的有效性与宿主图像的视觉完整性变得十分困难。为解决这一问题,本文设计了一种高度通用且隐蔽的水印攻击网络(TFP-WAN)。在生成式、特征嵌入、空间域和变换域水印算法上,TFP-WAN均实现了不同程度的位错误率(BER)和视觉不可感知性,验证了其通用性和隐蔽性。在水印攻击网络中,首先通过基于Transformer的编码-解码架构从带水印图像中学习水印嵌入相关特征,随后对其进行扰动,从而降低水印信息的可恢复性。为进一步增强Transformer识别水印相关特征的能力,本文还设计了一个通用提示模块,通过该模块有效提升了TFP-WAN攻击的不可感知性。最后,基于DIV2K2017数据集,采用基于四元数极坐标调和傅里叶矩(QPHFMs)的鲁棒彩色图像水印算法,构建了用于训练水印攻击模型的数据集。实验结果表明,所提出的水印攻击模型在有效阻碍水印提取的同时,基本保持了带水印图像的视觉质量,从而对鲁棒水印算法实现了有效攻击。

引言

随着技术的快速进步和数字化转型的进一步深化,海量数据的无限制存储和传输成为常态,由此引发了信息泄露和版权侵犯等安全风险。因此,建立高效可靠的信息安全保护机制被视为数字时代亟待解决的关键挑战。传统视频加密方法通常依赖逐帧独立加密来保护视频内容[1]。在此背景下,出于有效保护关键图像数据的迫切需求,图像加密技术在近年来日益受到学术界的关注,并逐渐成为信息安全领域的研究重点[2]。当前图像加密能力有限,通常需要载体数据辅助解密,这在实际应用中带来了显著不便[3]。
近年来,彩色图像水印技术在鲁棒性、安全性和计算效率方面持续进步。Su等人[4]通过自适应量化和几何校正增强了水印方案对各类几何攻击的抵抗能力。Chen等人进一步将最大连通域与自适应量化相结合,提升了对缩放和旋转攻击的鲁棒性[5],并提出了可逆矩阵融合域水印方法,在保持鲁棒性和安全性的同时提高了计算效率[6]。这些研究表明,随着水印系统整体性能的不断提升,有效安全评估的重要性也日益凸显。
数字水印技术通过其独特优势——如数据完整性验证和版权认证——在保障数据和信息安全方面发挥着关键支撑作用[7]、[8]。数字水印技术的研究主要集中于两大领域:水印嵌入方法[9]、[10]和水印攻击方法[11]、[12]。此外,大多数现有水印攻击方法[13]未充分考虑攻击实施过程中的图像视觉质量保持问题,这限制了此类评估在许多实际信息保护场景中的有效性和适用性。因此,对数字水印攻击测试工具进行针对性改进显得尤为关键。
随着计算机技术的不断演进,研究者开始探索神经网络在水印攻击场景中的实际应用。Lee等人[14]提出了一种利用神经网络的端到端图像压缩水印嵌入技术。Ding等人[15]引入了端到端水印嵌入与提取网络。尽管上述研究表明深度学习可作为一种新型水印攻击方法,能够在保持图像质量的同时干扰水印提取,但现有攻击框架仍被认为不够成熟。大多数方法主要关注水印图像视觉质量的提升,而未能充分重视水印提取中的关键性能指标(如BER),这显著限制了其实际应用价值。为克服现有水印攻击方法的局限性,本文将Transformer架构引入水印攻击任务,并结合提示学习机制,提出了一种新型不可感知水印攻击方法TFP-WAN,即基于提示学习的新型不可感知水印攻击方法。
本文的关键贡献总结如下:
  • 1.
    本研究设计了一种通用且高度隐蔽的水印攻击网络(TFP-WAN)。通过利用Transformer在建模全局依赖关系和特征重建方面的优势,从带水印图像中提取水印信息特征,实现对水印的精确攻击。
  • 2.
    为增强水印攻击网络的不可感知性,本文设计了一个提示模块,包含提示生成模块(PGM)和提示交互模块(PIM)。PGM用于生成带有有效上下文特征的输入条件提示,以协助PIM攻击网络有效定位输入的水印载体图像。
  • 3.
    本研究基于DIV2K2017数据集和一种利用四元数连续正交矩阵的鲁棒性增强彩色图像水印方法,构建了用于训练水印攻击模型的数据集。模型输出旨在生成无水印图像,与传统攻击方法相比,处理后图像的视觉不可感知性显著提升。
  • 4.
    与传统攻击方法和几何攻击相比,本文提出的深度水印攻击网络在有效破坏鲁棒水印技术完整性的同时,保持了带水印图像的视觉保真度,从而验证了该技术路线的可行性。
本文其余各节的结构安排如下:第2节简要回顾了数字水印和水印攻击技术的相关工作。第3节详述了受攻击的水印技术。第4节全面描述了本文提出的TFP-WAN。第5节展示了实验结果,最后在第6节对全文进行总结。

章节摘要

数字水印技术

数字水印技术通过在图像内容中嵌入可识别信息来保护版权利益,其中鲁棒性是核心属性[16]。鲁棒性指的是水印有效抵抗各种处理攻击的能力,确保即使带水印图像经过编辑、压缩或几何变形,嵌入信息仍能保持完整并被准确提取。
为增强数字水印的抗攻击能力

QPHFMs水印技术

为验证本文所提出水印攻击技术的性能,必须确保目标水印技术的抗攻击水平。基于图像的方法,特别是四元数连续正交矩阵,因其固有的几何不变性等优点,在彩色图像水印中展现出鲁棒的性能。因此,它们被确立为本研究的攻击测试基准。

TFP-WAN水印攻击网络

本研究将Transformer在特征提取和重建任务中展现的强大表征能力与提示学习的任务引导优势相结合,构建了一个适用于水印攻击场景的深度神经网络模型TFP-WAN,同时保持了攻击的高不可感知性。提示学习源自计算语言学领域,通过向模型提供相关上下文信息来实现

实验设置

模型训练在配备NVIDIA H100 PCIe GPU的服务器上完成。实验环境基于PyTorch 2.4和Python 3.9。为确保实验一致性,所有输入图像统一调整为256 × 256像素。采用第3节介绍中提出的基于QPHFMs的水印算法进行水印嵌入。模型训练仅使用基于DIV2K2017数据集构建的QPHFMs带水印图像,而MSCOCO [54]数据集不用于

结论

在数字水印技术的发展过程中,现有攻击和评估方法在平衡水印破坏能力与宿主图像视觉质量方面仍存在一定局限,难以完全满足复杂水印系统安全评估的需求。为解决这一问题,本文提出了一种整合Transformer与提示模块的不可感知水印攻击网络TFP-WAN。所提出的方法是

作者贡献

Wenchao Zhu负责分析实验数据并撰写初稿。Qi Li和Suo Gao负责监督、算法设计与优化。Nanrun Zhou、Chunpeng Wang、Santo Banerjee和Yinghong Cao负责开展实验并提供理论指导。所有作者均审阅了本手稿。

数据可用性与获取

本研究期间生成和分析的数据集可向通讯作者提出合理请求后获取。

未引用浮动内容

表1。

CRediT作者贡献声明

Wenchao Zhu:撰写——初稿撰写。Qi Li:概念构思。Nanrun Zhou:数据整理。Chunpeng Wang:形式化分析。Santo Banerjee:调查研究。Yinghong Cao:监督指导。Suo Gao:资金获取。

利益冲突声明

作者声明不存在已知的利益冲突或可能影响本文报告工作的个人关系。
Wenchao Zhu|Qi Li|Nanrun Zhou|Chunpeng Wang|Santo Banerjee|Yinghong Cao|Suo Gao
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号