软件学报

作者：李琦，王春鹏，王晓雨，李健，夏之秋，高锁，马宾

单位：李琦，齐鲁工业大学(山东省科学院) 网络空间安全学院, 山东 济南 250353;齐鲁工业大学(山东省科学院) 山东省计算中心(国家超级计算济南中心), 山东 济南 25035311,王春鹏，齐鲁工业大学(山东省科学院) 网络空间安全学院, 山东 济南 250353;齐鲁工业大学(山东省科学院) 山东省计算中心(国家超级计算济南中心), 山东 济南 25035302,王晓雨，齐鲁工业大学(山东省科学院) 网络空间安全学院, 山东 济南 250353;齐鲁工业大学(山东省科学院) 山东省计算中心(国家超级计算济南中心), 山东 济南 25035303,李健，齐鲁工业大学(山东省科学院) 网络空间安全学院, 山东 济南 250353;齐鲁工业大学(山东省科学院) 山东省计算中心(国家超级计算济南中心), 山东 济南 25035304,夏之秋，齐鲁工业大学(山东省科学院) 网络空间安全学院, 山东 济南 250353;齐鲁工业大学(山东省科学院) 山东省计算中心(国家超级计算济南中心), 山东 济南 25035305,高锁，哈尔滨工业大学 计算学部, 黑龙江 哈尔滨 15000106,马宾，齐鲁工业大学(山东省科学院) 网络空间安全学院, 山东 济南 250353;齐鲁工业大学(山东省科学院) 山东省计算中心(国家超级计算济南中心), 山东 济南 25035307

关键词：残差学习;不可感知;卷积神经网络;水印攻击模型;鲁棒水印算法

基金：国家自然科学基金(61802212, 61872203); 山东省自然科学基金(ZR2019BF017, ZR2020MF054); 山东省高校科研计划(J18KA331); 山东省重大科技创新工程(2019JZZY010127, 2019JZZY010132, 2019JZZY010201); 济南市“高校20条”引进创新团队(2019GXRC031)

传统的水印攻击方法虽然能够干扰水印信息的正确提取, 但同时会对含水印图像的视觉质量造成较大损失, 为此提出了一种基于残差学习的新型不可感知水印攻击方法. 首先, 通过构建基于卷积神经网络的水印攻击模型, 在含水印图像和无水印图像之间进行端到端非线性学习, 完成含水印图像映射到无水印图像的任务, 达到水印攻击的目的; 其次, 根据水印信息的嵌入区域选择合适数目的特征提取块以提取含水印信息的特征图. 鉴于含水印图像和无水印图像之间的差异过小, 水印攻击模型在训练过程中的可学习性受到限制, 导致模型很难收敛. 引入残差学习机制来提升水印攻击模型的收敛速度和学习能力, 通过减少残差图像(含水印图像和提取的特征图像做差)与无水印图像之间的差异来提升被攻击图像的不可感知性. 此外, 还根据DIV2K2017超分辨率数据集以及所攻击的基于四元数指数矩的鲁棒彩色图像水印算法构建了训练水印攻击模型的数据集. 实验结果表明该水印攻击模型能够在不破坏含水印图像视觉质量的前提下以高误码率实现对鲁棒水印算法的攻击.

来源：2023年第9期

《软件学报》期刊编辑部

查看软件学报杂志2023年第9期