一种用于基于 DNN 应用版权保护的即插即用防御扰动方法

基于深度神经网络（DNN）的应用（例如风格迁移、卡通化）的广泛部署，激发了对这类应用产出版权的保护需求。尽管存在一些传统的可见版权技术，但它们会引入不期望的痕迹并导致较差的用户体验。在本文中，我们提出了一种新颖的基于防御扰动、用于基于 DNN 应用（即风格迁移）的即插即用不可见版权保护方法。我们并非将扰动用于攻击 DNN 模型，而是探索扰动在版权保护中的潜在用途。具体而言，我们利用设计的版权编码器将版权信息投影到防御扰动上，并将其添加到待保护图像中。然后，我们利用设计的版权解码器从编码后的版权图像中提取版权信息。此外，我们使用一个鲁棒性模块来增强解码器对经历各种失真（例如 JPEG 压缩）图像的解码能力，这些失真可能在用户将图像发布到社交媒体时发生。为确保编码图像和 decoded 版权图像的图像质量，我们精心设计了损失函数。客观与主观实验结果表明了所提方法的有效性。我们还在社交媒体（即微信和 Twitter）上通过发布编码版权图像进行了物理世界测试。结果表明，从社交媒体保存的编码图像中的版权信息仍能被正确提取。