面向稳健视觉水印的组合对抗训练
计算机视觉与模式识别
2026-05-19 v1 机器学习
摘要
稳健水印通常使用随机后处理数据增强进行训练，但随机抽样未能覆盖现实攻击管线的组合空间，很少遇到实际破坏检测的稀有组合。这导致训练不稳定且样本效率低下。我们将水印鲁棒性建模为结构化组合变换空间上的min-max问题。我们提出了一种组合对抗训练（CAT）方法，作为一个可插入框架，学习一个顺序可微对手观察当前水印图像并在每一步选择一个攻击家族以最大程度地干扰消息恢复。CAT将直通Gumbel-Softmax攻击选择与熵正则化相结合，允许反向传播端到端可微，并跨攻击家族聚合梯度信息，从而实现更快、更平滑的收敛且不会坍缩为单一攻击模式。我们在VideoSeal 0.0、VideoSeal 1.0和PixelSeal以及in-generation WMAR下进行了评估，分别在单步和两步攻击套件中，对in-distribution和多个out-of-distribution图像和视频基准进行测试。CAT在所有情况下都优于使用相同数据增强预算训练的随机增强基线，特别是在困难的组合攻击和OOD评估上取得最大收益；在单步攻击setting下提高了整体水印容量最高可达，在组合setting下提高了。在自回归setting中，CAT在困难几何变换上的TPR@FPR平均提高了。这些结果表明，针对自适应组合对手而非独立随机损坏进行训练，能显著提升视觉水印的稳健性。
关键词
引用
@article{arxiv.2605.16720,
title = {Compositional Adversarial Training for Robust Visual Watermarking},
author = {Anirudh Satheesh and Michael-Andrei Panaitescu-Liess and Andrew Xu and Georgios Milis and Heng Huang and Zikui Cai and Furong Huang},
journal= {arXiv preprint arXiv:2605.16720},
year = {2026}
}