一种基于生成对抗网络的不可感知水印攻击方法技术

本发明专利技术公开一种基于生成对抗网络的不可感知水印攻击方法，涉及数字水印技术领域，其特征在于，包括以下步骤：S1：冗余信息加强；对训练集进行了冗余信息加强的数据预处理方案；S2：构造损失函数；在特征比较的基础上，对感知损失进行改进，将峰值信噪比引入感知损失中。本发明专利技术要解决的技术问题是提供一种基于生成对抗网络的不可感知水印攻击方法，保证水印攻击的高不可感知性的同时，对水印信息进行了有效攻击。效攻击。效攻击。

【技术实现步骤摘要】
一种基于生成对抗网络的不可感知水印攻击方法


[0001]本专利技术涉及数字水印
，具体地讲，涉及一种基于生成对抗网络的不可感知水印攻击方法。

技术介绍

[0002]随着互联网的普及和发展，数据的开放和共享日益广泛，让人们获得信息更方便的同时，也产生的更多的风险。如何保护信息不受限制的在网络上存储和传输是一个亟待解决的问题，也是科学研究中的重要课题之一。在网络信息安全领域，数字图像水印技术的研究是多媒体的安全的关键和前沿，数字图像水印技术的研究主要分为水印算法的研究和水印攻击技术的研究。
[0003]数字水印技术是一种信息隐藏技术，通过在图像中嵌入可识别的信息来保护版权。水印算法的设计需要满足鲁棒性和不可感知性两个前提条件。为了达到最优化的设计目的，通常需要采用多种方法，如水印预处理、选择嵌入位置、设计不同的嵌入和提取方式等步骤。数字水印攻击是指试图破坏或删除数字水印的行为。可以用于评估数字图像水印算法的鲁棒性。通过对水印算法进行分析，进而破坏图像中的水印信息，找出水印算法的缺陷，促进水印算法的发展和完善。
[0004]数字水印技术和水印攻击技术是相互促进，相辅相成的。但是，现阶段一些传统的水印攻击方式出现了很多难以解决的劣势，比如传统的水印攻击方法对不同类型的水印算法攻击效果有限；传统的数字水印攻击方式可能对图像进行明显的修改和处理，导致攻击技术容易被检测和识别，不可感知性差；通用性较低：传统的数字水印攻击方式通常需要针对具体的数字水印图像和嵌入算法进行攻击，不具备通用性，难以应对不同类型和不同嵌入算法的数字水印。可逆性较强：一些传统的数字水印攻击方式可能可以对数字水印图像进行逆向操作，恢复原始图像，从而去除数字水印。总而言之，传统的水印攻击方法极易损害原始图像的视觉质量。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种基于生成对抗网络的不可感知水印攻击方法，保证水印攻击的高不可感知性的同时，对水印信息进行了有效攻击。
[0006]本专利技术采用如下技术方案实现专利技术目的：一种基于生成对抗网络的不可感知水印攻击方法，其特征在于，包括以下步骤：S1：冗余信息加强；对训练集进行了冗余信息加强的数据预处理方案；S2：构造损失函数；在特征比较的基础上，对感知损失进行改进，将峰值信噪比引入感知损失中；S3：构造基于生成对抗网络的水印攻击模型；S4：构造通道注意力机制网络模型；
通过在基于生成对抗网络的水印攻击模型的中残差网络中添加注意力机制了来增强输入特征图的有用信息并抑制了噪声，从而提高了模型性能。
[0007]作为本技术方案的进一步限定，所述S1的具体流程为：S11：放大水印信息；S12：对训练集进行了高斯噪声添加预处理；为水印攻击训练集添加了Sigma=5的高斯噪声。
[0008]作为本技术方案的进一步限定，损失函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中：为逐像素的MSE损失函数；为使用预训练的VGG16模型构成的感知损失；是用于计算图像的总变分损失；计算了正确标签和模型输出之间的差异；计算了输入和输出图像的峰值信噪比；为函数中每一个损失汉中占总损失的比重，通过实验不断调整得到最佳数值；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中：表示图像第行第列的像素值；、分别表示当下像素下方和右方的像素值；
ꢀꢀ
（3）其中：表示模型输出的预测结果；表示样本总数；使用torch.mean()函数对每个样本的对抗损失进行求平均，返回整个训练当中的对抗损失；在图像损失的基础上，增加峰值信噪比平均值作为额外的损失项，得到。
[0009]作为本技术方案的进一步限定，通道注意力机制网络模型包含了一个全局平均池化层和两个线性层。
[0010]作为本技术方案的进一步限定，通道注意力机制网络模型工作流程为：S31：使用全局平均池化算子对输入特征进行降维；S32：经过两个线性层实现非线性变换；S33：后通过Sigmoid激活函数将输出的特征值范围限制在0
‑
1之间；S34：将注意力机制网络模型的权重通过维度扩展与输入特征进行逐元素乘积，从而实现对通道重要性的加权；S35：生成相应的输出。
[0011]作为本技术方案的进一步限定，基于生成对抗网络的水印攻击模型包括生成器及
鉴别器。
[0012]作为本技术方案的进一步限定，生成器由ResBlock模块、下采样、卷积和转置卷积组成。
[0013]作为本技术方案的进一步限定，所述鉴别器包括五个卷积层和一个Sigmoid激活函数。
[0014]与现有技术相比，本专利技术的优点和积极效果是：本专利技术具有高度自动化、高度灵活性、高不可感知性、高攻击效果及不可逆性。高度自动化：深度学习的水印攻击方案通常利用神经网络模型进行自动学习和生成攻击样本，不需要过多的人工干预和专业知识，降低了攻击者的技能要求。高度灵活性：深度学习的水印攻击方案可以对不同类型和不同嵌入算法的数字水印进行攻击，具有较强的通用性和适应性。高不可感知性：深度学习的水印攻击方案通常可以生成对抗性样本，能够对数字水印进行隐蔽性的修改，使得攻击行为不容易被检测和识别。高攻击效果：深度学习的水印攻击方案通常可以生成高质量的对抗性样本，对数字水印图像进行有效的攻击，从而使得数字水印的鲁棒性降低。不可逆性：深度学习的水印攻击方案通常不可逆，即攻击后的数字水印图像难以恢复原始图像，从而具有较强的持久性和破坏性。
附图说明
[0015]图1为本专利技术的通道注意力机制网络模型结构示意图。
[0016]图2为本专利技术的基于生成对抗网络的水印攻击模型。
具体实施方式
[0017]下面结合附图，对本专利技术的一个具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。
[0018]本专利技术包括以下步骤：S1：冗余信息加强。
[0019]对训练集进行了冗余信息加强的数据预处理方案。
[0020]深度学习神经网络的出现为水印攻击的研究提供了研发思路，其具有强大特征提取能力可以有效解决现有水印攻击方案攻击效果差的缺点。本专利利用了神经网络特有的特诊提取能力和非线性映射能力，使用了冗余信息加强的方案来放大其特征提取能力。
[0021]所述S1的具体流程为：S11：放大水印信息；从水印攻击的角度思考，其目的是为了保证含水印图像不可感知的情况下，有效阻碍水印信息的提取或者破坏水印信息。但是水印算法要求含水印图像和原图具有高不可感知性，并不利于本专利网络对水印信息进行特征提取与学习。所以，在含水印图像的含水印位置进行冗余成分加强后，将有利于网络聚焦于含水印图像的水印信息，从而提高神经网络的水印攻击能力。
[0022]在第一个方面，对训练集水印信息进行了加强。经过水印信息加强后的训练集图像，经过本专利所提出的WAGAN时，更有利于网络对相关特征进行提取与学习，极大提高了水印攻击算法的攻击能力。
[0023]S12本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的不可感知水印攻击方法，其特征在于，包括以下步骤：S1：冗余信息加强；对训练集进行了冗余信息加强的数据预处理方案；S2：构造损失函数；在特征比较的基础上，对感知损失进行改进，将峰值信噪比引入感知损失中；S3：构造基于生成对抗网络的水印攻击模型；S4：构造通道注意力机制网络模型；通过在基于生成对抗网络的水印攻击模型的残差网络中添加注意力机制了来增强输入特征图的有用信息并抑制了噪声，从而提高了模型性能。2.根据权利要求1所述的基于生成对抗网络的不可感知水印攻击方法，其特征在于：所述S1的具体流程为：S11：放大水印信息；S12：对训练集进行了高斯噪声添加预处理；为水印攻击训练集添加了Sigma=5的高斯噪声。3.根据权利要求1所述的基于生成对抗网络的不可感知水印攻击方法，其特征在于：损失函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中：为逐像素的MSE损失函数；为使用预训练的VGG16模型构成的感知损失；是用于计算图像的总变分损失；计算了正确标签和模型输出之间的差异；计算了输入和输出图像的峰值信噪比；为函数中每一个损失汉中占总损失的比重，通过实验不断调整得到最佳数值；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中：表示图像第行第列的像素值；、分别表示当下像素下方和右方的像素值；
ꢀ...

【专利技术属性】
技术研发人员：王春鹏，田鹏飞，夏之秋，马宾，魏子麒，李琦，李健，周琳娜，咸永锦，王晓雨，韩冰，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：