一种面向神经辐射场模型的数字水印方法技术

本发明专利技术提供了一种面向神经辐射场模型的数字水印方法，包括以下步骤：

【技术实现步骤摘要】
一种面向神经辐射场模型的数字水印方法


[0001]本专利技术涉及一种方法，具体为一种面向神经辐射场模型的数字水印方法，属于计算机

。

技术介绍

[0002]基于隐式表示的
3D
渲染技术目前已经成为计算机视觉研究最热门的领域之一
。
神经隐式表达利用神经网络表示数据的思路，使得网络本身成为与数据等价的资产
。
可以预测，在不远的将来我们将看到更多的
3D
数据通过神经隐式表达的方式以神经网络的格式出现，保护隐式表示的
3D
数据的成为一个亟待解决的问题
。
[0003]传统的
3D
水印根据嵌入方式不同，可以分为几何水印和拓扑水印
。
基于几何特征的
3D
数字水印是对
3D
形状进行平移
、
旋转
、
缩放等操作，在变换过程中嵌入水印信息
。
而基于拓扑特征的
3D
数字水印则针对模型间数据同步的问题，形成了一种基于拓扑不变量的鲁棒性水印
。3D
模型参数水印是一种基于定向权重的
3D
数字内容编辑技术，通常通过嵌入方向技术
、
权重嵌入技术和特征点插入技术来实现
。3D
模型参数水印具有隐蔽性强
、
嵌入信息容量大和操作简单的优势，但由于水印信息在参数中，从而存在水印的提取比较困难，提取的水印精度不够的问题，为此，提出一种面向神经辐射场模型的数字水印方法
。

技术实现思路

[0004]有鉴于此，本专利技术提供一种面向神经辐射场模型的数字水印方法，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择
。
[0005]本专利技术实施例的技术方案是这样实现的：一种面向神经辐射场模型的数字水印方法，包括以下步骤：
[0006]S1
：嵌入网络接受水印图像和
NeRF
训练数据集中的一张图像作为输入，输出嵌入水印信息的图像；
[0007]S2
：将嵌入水印信息的图像和
lego
数据集中图像，经过噪声层处理后与对应视角信息一起输入到
MLP
网络中训练得到神经辐射场；
[0008]S3
：用过参数化的方法训练一个提取网络，给神经辐射场一个任意视角作为输入，生成新视角图像；
[0009]S4
：新视角图像的任意视角若为训练时使用的秘密视角，则可以提取到清晰的水印图像，否则无法提取到水印图像，以此证明神经辐射场数据的所有权
。
[0010]进一步优选的，在
S1
中，嵌入网络输入尺寸大小为3×
W
×
H
的水印信息和
lego
数据集中的图像
k
，将水印图像
w
也经过一个输出通道为
32
的卷积层
Conv
得到尺寸大小
32
×
W
×
H
的特征图
A
，再将图像
k
经过一个输出通道为
32
的卷积层
Conv
得到尺寸大小
32
×
W
×
H
的特征图
B
，特征图
A
和特征图
B
的公式为：
[0011]A
＝
Conv3‑
＞
32
(a)
[0012]B
＝
Conv3‑
＞
32
(k)
[0013]将特征图
A
和特征图
B
进行拼接后经过输出通道数为
32
的卷积层得到特征图
C
，特征图
C
的公式为：
[0014]C
＝
Conv
32+32
‑
＞
32
(Cat(A,B))。
[0015]进一步优选的，在
S1
中，为充分提取图像特征，在提取网络中采用了密集连接技术，通过密集连接加强特征的传递，增强嵌入网络对图像深层次特征的提取能力，依次将
A、B
和
C
进行拼接经过卷积层得到特征图
D
，特征图
D
的公式为：
[0016]D
＝
Conv
32+32+32
‑
＞
32
(Cat(A,B,C))
[0017]再将
A、B、C
和
D
拼接经过输出通道为3的卷积层，输出与图像
k
一样大小的图像
k
’
，
k
’
的公式为：
[0018]k'
＝
Conv
32+32+32+32
‑
＞3(Cat(A,B,C,D))
[0019]嵌入网络中，卷积核大小为3×3，步长为1，填充为1，使用
ReLU
作为激活函数再使用
BN(batch normalization)
层对数据进行归一化处理
。
[0020]进一步优选的，在
S2
中，引入噪声层对模型进行处理，对构建模型的输入数据添加噪声以模拟对网络参数本身的修改；模拟
NeRF
受到噪声攻击的过程，设置高斯噪声
、
椒盐噪声
、speckle
噪声
、
泊松噪声以模拟不同类型的失真
。
[0021]进一步优选的，在
S3
中，提取网络输入尺寸3×
W
×
H
图像
s
，经过一个输出通道为
32
的卷积层得到特征图
E
，
E
经过一次卷积得到特征图
F
，将
E
和
F
拼接得到特征图
G
，再将
E、F、G
拼接并进行一次卷积后得到清晰水印图像
w
’
，基本流程如下式所示：
[0022]E
＝
Conv3‑
＞
32
(s)
[0023]F
＝
Conv
32
‑
＞
32
(E)
[0024]G
＝
Conv
32+32
‑
＞
32
(Cat(E,F))
[0025]w'本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向神经辐射场模型的数字水印方法，其特征在于，包括以下步骤：
S1
：嵌入网络接受水印图像和
NeRF
训练数据集中的一张图像作为输入，输出嵌入水印信息的图像；
S2
：将嵌入水印信息的图像和
lego
数据集中图像，经过噪声层处理后与对应视角信息一起输入到
MLP
网络中训练得到神经辐射场；
S3
：用过参数化的方法训练一个提取网络，给神经辐射场一个任意视角作为输入，生成新视角图像；
S4
：新视角图像的任意视角若为训练时使用的秘密视角，则可以提取到清晰的水印图像，否则无法提取到水印图像，以此证明神经辐射场数据的所有权
。2.
根据权利要求1所述的一种面向神经辐射场模型的数字水印方法，其特征在于：在
S1
中，嵌入网络输入尺寸大小为3×
W
×
H
的水印信息和
lego
数据集中的图像
k
，将水印图像
w
也经过一个输出通道为
32
的卷积层
Conv
得到尺寸大小
32
×
W
×
H
的特征图
A
，再将图像
k
经过一个输出通道为
32
的卷积层
Conv
得到尺寸大小
32
×
W
×
H
的特征图
B
，特征图
A
和特征图
B
的公式为：
A
＝
Conv3‑
＞
32
(a)B
＝
Conv3‑
＞
32
(k)
将特征图
A
和特征图
B
进行拼接后经过输出通道数为
32
的卷积层得到特征图
C
，特征图
C
的公式为：
C
＝
Conv
32+32
‑
＞
32
(Cat(A,B))。3.
根据权利要求2所述的一种面向神经辐射场模型的数字水印方法，其特征在于：在
S1
中，为充分提取图像特征，在提取网络中采用了密集连接技术，通过密集连接加强特征的传递，增强嵌入网络对图像深层次特征的提取能力，依次将
A、B
和
C
进行拼接经过卷积层得到特征图
D
，特征图
D
的公式为：
D
＝
Conv
32+32+32
‑
＞
32
(Cat(A,B,C))
再将
A、B、C
和
D
拼接经过输出通道为3的卷积层，输出与图像
k
一样大小的图像
k
’
，
k
’
的公式为：
k'
＝
Conv
32+32+32+32
‑
＞3(Cat(A,B,C,D))
嵌入网络中，卷积核大小为3×3，步长为1，填充为1，使用
ReLU
作为激活函数再使用
BN(batch normalization)
层对数据进行归一化处理
。4.
根据权利要求1所述的一种面向神经辐射场模型的数字水印方法，其特征在于：在
S2
中，引入噪声层对模型进行处理，对构建模型的输入数据添加噪声以模拟对网络参数本身的修改；模拟
NeRF
受到噪声攻击的过程，设置高斯噪声
、
椒盐噪声
、speckle
噪声
、
泊松噪声以模拟不同类型的失真
。5.
根据权利要求1所述的一种面向神经辐射场模型的数字水印方法，其特征在于：在
S3
中，提取网络输入尺寸3×
W
×
H
图像
s
，经过一个输出通道为
32
的卷积层得到特征图
E
，
E
经过一次卷积得到特征图
F
，将
E
和
F
拼接得到特征图
G
，再将
E、F、G
拼接并进行一次卷积后得到清晰水印图像
w
’
，基本流程如下式所示：
E
＝
Conv3‑
＞
32
(s)F
＝
Conv
32
‑
＞
32
(E)
G
＝
Conv
32+32
‑
＞
32
(Cat(E,F))w'
＝
Conv
32+32+32
‑
＞
D
(Cat(E,F,G))
...

【专利技术属性】
技术研发人员：陈立峰，刘佳，孙文权，董炜娜，潘晓中，柯彦，
申请(专利权)人：中国人民武装警察部队工程大学，
类型：发明
国别省市：