MBRS：通过真实与模拟 JPEG 压缩小批量增强基于 DNN 的水印鲁棒性

基于深度学习架构强大的特征提取能力，近年来基于深度学习的水印算法被广泛研究。此类算法的基本框架是带有编码器、噪声层和解码器的类自编码器端到端架构。保证鲁棒性的关键是与可微噪声层的对抗训练。然而，我们发现现有框架均不能很好地确保对 JPEG 压缩的鲁棒性，JPEG 压缩虽不可微，却是必要且重要的图像处理操作。为克服该局限，我们提出了一种新颖的端到端训练架构，利用真实与模拟 JPEG 压缩小批量（MBRS）来增强 JPEG 鲁棒性。具体而言，对不同小批量，我们随机选取真实 JPEG、模拟 JPEG 或无噪声层之一作为噪声层。此外，我们建议采用 Squeeze-and-Excitation 模块以在嵌入与提取阶段学习更好特征，并提出“消息处理器”以更合适的方式扩展消息。同时，为提升抗裁剪攻击的鲁棒性，我们向网络中引入加性扩散块。大量实验结果表明，所提方案相较 SOTA 算法具有优越性能。在质量因子 Q=50 的 JPEG 压缩下，我们的模型对提取消息的比特错误率低于 0.01%，编码图像的 PSNR 大于 36，显示出对 JPEG 攻击的良好增强鲁棒性。此外，在高斯滤波、裁剪、挖剪和丢弃等多种其他失真下，所提框架也获得了强鲁棒性。基于 PyTorch \cite{2011torch7} 实现的代码可在 https://github.com/jzyustc/MBRS 获取。