【技术实现步骤摘要】
基于可逆神经网络的神经辐射场的水印方法
[0001]本专利技术涉及基于可逆神经网络的水印方法,具体为基于可逆神经网络的神经辐射场的水印方法,属于水印和信息隐藏
。
技术介绍
[0002]隐式神经表示是一种对图像
、
声音
、
文字等信号进行参数化的方法
。
在真实世界中
,
模拟信号本可以用一个连续的函数来表示,但由于无法得知这个连续函数准确的表达形式,因此可考虑用神经网络来逼近这个连续函数以表示信号本身
。2020
年,
Mildenhall B
等人首次提出了神经辐射场
(NeRF)
的概念,采用多层感知机
(MLP)3D
场景进行隐式表示,通过对
3D
模型进行渲染生成
2D
图像,实现了新视角的合成
。
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
(
函数
)
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]面向传统的可视
3D
模型数据的数字水印技术通常分为三类: ...
【技术保护点】
【技术特征摘要】
1.
基于可逆神经网络的神经辐射场的水印方法,其特征在于,包括以下步骤:
S1、
嵌入网络
E
接受水印图像
w
和
NeRF
训练数据集;
S2、
以
Lego
数据集中的所有图像1…
k
作为输入,输出嵌入水印信息的图像1’…
k
’
;
S3、
与对应视角信息一起输入到
MLP
网络
M
中训练得到神经辐射场
N
;
S4、
再用过参数化的方法训练一个提取网络
D
,最后给神经辐射场
N
一个任意视角作为输入;
S5、
生成新视角图像
s
;
S6、
如果单一角度无法证明所有权,则从其他角度依然可以提取到水印图像,以此证明神经辐射场数据的所有权
。2.
根据权利要求1所述的基于可逆神经网络的神经辐射场的水印方法,其特征在于:所述
NeRF
中输入空间点的
3D
坐标位置
x
=
(x,y,z)
和方向
d
=
(
θ
,
φ
)
,输出空间点的颜色
c
=
(r,g,b)
和对应位置
(
体素
)
的密度
σ
。
在具体的实现中,先对
x
和
d
进行位置信息编码,再将
x
输入到
MLP
网络中,并输出
σ
和一个
256
维的中间特征,中间特征和
d
再一起输入到全连接层中预测颜色,最后通过体渲染生成
2D
图像
。3.
根据权利要求1所述的基于可逆神经网络的神经辐射场的水印方法,其特征在于:所述嵌入网络
E
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
,将特征图
A
和特征图
【专利技术属性】
技术研发人员:孙文权,刘佳,陈立峰,董炜娜,钮可,罗鹏,
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。