近日，字節(jié)跳動產(chǎn)品安全多媒體與AI安全團隊的數(shù)字水印研究論文入選ACM MM 2023，研究論文關(guān)注數(shù)字水印在現(xiàn)實應(yīng)用中所面臨的挑戰(zhàn)，致力于解決高清原創(chuàng)圖像經(jīng)過多種復(fù)雜攻擊后的侵權(quán)或溯源等問題。

ACM Multimedia（ACM MM）是國際計算機學會（ACM）的多媒體年會，由ACM的SIGMM多媒體特別興趣小組主辦。ACM MM是全球首屈一指的多媒體領(lǐng)域?qū)W術(shù)會議，也是中國計算機學會推薦的多媒體領(lǐng)域A類國際學術(shù)會議。

【資料圖】

據(jù)了解，本次研究論文《Practical Deep Dispersed Watermarking with Synchronization and Fusion 》，提出了一種基于深度學習的圖像離散水印方案（DWSF），該方案能夠有效提高圖像水印在實際應(yīng)用中的魯棒性和隱蔽性，可促進深度圖像水印技術(shù)在數(shù)字版權(quán)、內(nèi)容可信和數(shù)據(jù)安全等防護體系建設(shè)中的作用。

人工智能時代下的知識產(chǎn)權(quán)及版權(quán)保護

近年來隨著多媒體技術(shù)和多媒體內(nèi)容的爆發(fā)式增長，多媒體內(nèi)容的數(shù)據(jù)安全和版權(quán)保護需求激增。尤其當前生成式人工智能技術(shù)快速發(fā)展和普及，人工智能生成內(nèi)容呈現(xiàn)快速增長和廣泛傳播的趨勢，而人工智能生成的內(nèi)容存在易混淆、易誤認和被濫用的風險，對人工智能生成內(nèi)容的標記、識別和溯源的需求愈加迫切。

對這兩方面的現(xiàn)實需求，多媒體數(shù)字水印均可提供有效的技術(shù)方案。另外，隨著深度學習的發(fā)展，研究者發(fā)現(xiàn)在深度學習技術(shù)在數(shù)字水印領(lǐng)域有極大的應(yīng)用潛力。但目前在實際應(yīng)用場景中，深度學習水印技術(shù)仍存在一些挑戰(zhàn)有待突破，以深度圖像水印為例，當前大多數(shù)方案在魯棒性和隱蔽性方面仍有明顯短板。

針對深度圖像水印在實際應(yīng)用場景中面臨的挑戰(zhàn)，多媒體與AI安全團隊研發(fā)了一套原創(chuàng)的深度圖像水印技術(shù)框架（DWSF），不僅在圖像視覺隱蔽性、文件體積增長率方面達到了極好的效果，而且提升了深度學習水印在幾何變換攻擊、混合攻擊等眾多攻擊場景下的魯棒性。在當前多種深度學習圖像水印技術(shù)中，DWSF水印技術(shù)在多方面的測試中均達到最佳性能。

深度圖像水印技術(shù)提升水印魯棒性

據(jù)介紹，為了解決現(xiàn)有深度圖像水印技術(shù)在實際應(yīng)用場景中的諸多弊端，論文提出了一套原創(chuàng)的深度圖像水印方案，由離散嵌入、水印同步、消息融合三個核心模塊有機組合而成。方案框架圖如上所示，給定一張載體圖像，該框架在嵌入時隨機選取多個圖像塊并利用編碼器模型嵌入水?。辉谔崛‰A段，為應(yīng)對水印圖像可能經(jīng)過多種攻擊疊加的復(fù)雜情況，該框架引入了一個精細分割模型來定位水印圖像塊的位置，并矯正圖像經(jīng)過的幾何變換，再用解碼器從水印圖像塊中提取水印，最后綜合所有提取結(jié)果確定最終水印信息。三個核心模塊的詳細介紹如下。

離散嵌入

在水印嵌入模塊中，論文采用編碼器-解碼器的模型結(jié)構(gòu)，如下圖所示，先用編碼器嵌入水印、再用解碼器提取水印，同時為了提升水印的魯棒性，在訓(xùn)練過程中對編碼器編碼后的圖像進行數(shù)據(jù)增強處理（壓縮、加噪等），再將其輸入到解碼器中進行提取。最后，通過設(shè)計合適的損失函數(shù)確保模型能高效收斂。

相比于現(xiàn)有工作（在整張圖像上嵌入一個水?。?，該方案另辟蹊徑采用了離散嵌入方式。首先從圖像中隨機挑選部分子圖像塊，再利用編碼器對每個圖像塊嵌入同樣的水印信息，從而保證水印區(qū)域具有較好的稀疏性。這種策略可以靈活適配各種分辨率圖像而不必重新訓(xùn)練模型，同時具備多種優(yōu)點：

○稀疏性：僅修改圖像的部分區(qū)域，能夠?qū)崿F(xiàn)更好的不可察覺性，而且對文件體積增長有著更小的影響；

○隨機性：水印隨機地分布在圖像上，攻擊者很難針對性擦除，對于裁剪、遮擋、共謀攻擊等的魯棒性更強；

○一致性：鑒于單張圖像上存在多個水印圖像塊且嵌著相同的水印，可以互相校驗與糾正，容錯性更優(yōu)。

水印同步

在水印同步模塊中，該論文引入了一個輕量級分割模型用于定位水印嵌入的區(qū)域，并且采用了Pad&Split的訓(xùn)練-推理策略來提高定位的泛化性和效率（對任意分辨率圖片）。在訓(xùn)練時，采用固定分辨率的圖片；而在推理時，通過填充（Pad）使其可以分塊（Split）成多個與訓(xùn)練集尺寸相同的子圖片，便于并行處理以及縮小與訓(xùn)練數(shù)據(jù)集的差異。即使圖像受到幾何攻擊而變形，相應(yīng)的預(yù)測掩碼也將保持相同的變形，從而在多種未知的幾何攻擊下也能矯正圖片，實現(xiàn)水印同步的目標。

消息融合

矯正后的水印圖像塊輸入解碼器可得到每個塊的水印解碼結(jié)果，但單個塊的解碼結(jié)果存在出錯的可能。為提高容錯能力，鑒于單張圖像上的所有水印圖像塊嵌著相同水印，本論文引入了基于相似度的消息融合算法來確定最終的水印結(jié)果，使得在最壞情況下，如所有塊的解碼結(jié)果都出錯，也能得出正確的水印，算法示意圖如下。

數(shù)據(jù)已成為新生產(chǎn)要素，數(shù)字水印技術(shù)保駕護航

據(jù)悉，該論文原創(chuàng)性地提出了一種基于深度學習的圖像離散水印方案（DWSF），具有如下幾個突出優(yōu)勢：

●可適配任意分辨率的圖片：不同場景中圖片的分辨率往往差異很大，本方案可靈活適配多種多樣的分辨率，并且不影響泛化性。

●圖像視覺質(zhì)量更好：通常水印如果添加地過于明顯會影響用戶體驗，而本方案提出的稀疏水印塊修改的圖片區(qū)域更少（<=20%面積），對用戶體驗的影響更小。

●圖像文件體積增長率更低：圖片的分辨率越來越大，對存儲空間的影響也越來越大。而本方案由于對圖片的修改更少（<=20%面積），因此文件大小的比特增長率更低、對存儲空間的影響更小。

●魯棒性更強：該方案在應(yīng)對復(fù)雜圖像攻擊具有更高的魯棒性，顯著提高了溯源的可靠性。

據(jù)透露，上述優(yōu)勢使得該數(shù)字水印方案的適用范圍更廣、用戶感知更優(yōu)、溯源更可靠。目前該方案已應(yīng)用到抖音、西瓜視頻、飛書，以及火山引擎視頻云、數(shù)據(jù)安全中心和飛連等產(chǎn)品中。

此外，多媒體和AI安全團隊也將繼續(xù)深入行業(yè)應(yīng)用場景，聯(lián)合國內(nèi)外高校進行創(chuàng)新研究，為行業(yè)提供更優(yōu)、更全面的水印解決方案，為人工智能時代下的版權(quán)保護、內(nèi)容可信和數(shù)據(jù)安全貢獻一份力量。（作者：孔弘霖）

關(guān)鍵詞：