图像水印技术在保护数字内容的版权和完整性方面发挥着重要作用。然而，传统的图像水印方法并未针对处理小面积水印区域进行优化，这限制了其在实际应用中的使用，例如图像的部分可能来自不同来源或已被编辑。Meta介绍了一种用于局部图像水印的深度学习模型，称为水印任何模型（Watermark Anything Model，WAM）。WAM在不可察觉性和鲁棒性方面表现出色，特别是在修复和拼接方面，即使在高分辨率图像上也是如此。
例如，一个艺术家使用了AI技术来编辑一幅画，只对画的一小部分添加了水印。在传统的水印技术中，可能无法检测到这个小面积的水印，或者在图像被进一步编辑（如裁剪、色彩调整）后，水印信号可能会消失。WAM技术能够处理这种情况，即使在图像的一小部分被水印的情况下，也能检测和提取水印信息。
模型概述
1. WAM嵌入器
-
不可察觉的修改：WAM嵌入器对输入图像进行不可察觉的修改，以嵌入水印信息。这些修改非常细微，肉眼难以察觉。 -
局部水印：嵌入器可以在图像的任意小区域内嵌入水印，而不仅仅是整幅图像。
2. WAM提取器
-
分割和恢复：提取器将接收到的图像分割成水印区域和非水印区域，并从被发现为水印的区域中恢复一个或多个隐藏信息。 -
多区域处理：提取器能够处理多个小水印区域，即使这些区域不超过图像表面的10%。
主要功能：
-
局部图像水印：能够在图像的特定区域嵌入水印，而不是整个图像。 -
水印检测与提取：能够检测图像中哪些部分被水印，并从中恢复隐藏的信息。 -
多水印处理：能够在同一图像中嵌入和提取多个水印信息。
主要特点：
-
高分辨率图像的兼容性：即使在高分辨率图像上也表现出良好的不可见性和鲁棒性。 -
对抗性编辑的鲁棒性：特别对抗图像编辑（如修复和拼接）表现出强大的鲁棒性。 -
新的应用能力：能够定位拼接图像中的水印区域，并从多个小区域提取不同的32位消息。
工作原理：
WAM通过一个深度学习模型实现，包括一个嵌入器（embedder）和一个提取器（extractor）。嵌入器在输入图像上不可见地修改，而提取器则将接收到的图像分割成已水印和未水印的区域，并从已水印的区域恢复一个或多个隐藏消息。这个过程分为两个训练阶段：
-
低分辨率下的联合训练：在没有感知约束的情况下进行，以实现鲁棒性。 -
后训练阶段：针对不可见性和多水印进行优化，通过Just-Noticeable-Difference（JND）模型来调整水印的可见性，并允许在同一图像中嵌入多个消息。
实验结果
1. 不可察觉性和鲁棒性
-
不可察觉性：WAM在嵌入水印后，图像的视觉质量几乎不受影响，肉眼难以察觉水印的存在。 -
鲁棒性：WAM在处理图像修复和拼接等操作时表现出色，能够有效恢复隐藏信息。
2. 特殊功能
-
多区域水印：WAM可以在拼接图像中定位水印区域，并从多个小区域中提取出具有小于1比特误差的独特32位信息，即使对于小尺寸的256×256图像也是如此。 -
小面积水印：WAM特别擅长处理小面积水印区域，这对于实际应用中的复杂图像编辑非常有用。
实际应用
WAM在实际应用中具有广泛的应用前景，特别是在以下领域：
-
版权保护：在数字内容的版权保护中，WAM可以嵌入水印以验证图像的来源和完整性。 -
图像编辑：在图像编辑过程中，WAM可以帮助标记和追踪图像的不同部分，确保编辑后的图像仍然包含必要的信息。 -
安全认证：在安全认证和身份验证中，WAM可以用于嵌入和提取唯一的标识信息，提高安全性。
评论0