基于特征一致性的元学习水印：面向鲁棒性与可泛化性
计算机视觉与模式识别
2026-02-26 v1
摘要
深度学习水印近年来取得了显著进展。为实现对各种失真的鲁棒性，当前方法通常采用单一随机失真（Single Random Distortion, SRD）策略，即在每个训练批次中选择一种失真作为噪声层。然而，SRD策略在每个批次中将失真独立处理，忽略了不同失型之间的内在关系，导致批次间优化冲突。结果限制了水印模型的鲁棒性和可泛化性。为此，我们提出一种新训练策略，通过元学习与特征一致性（Meta-FC）增强鲁棒性和泛化性。具体而言，我们随机抽取多个失型构建元训练任务，同时保留一种失型作为模拟的“未知”失型用于元测试。通过元学习，鼓励模型识别并利用跨不同失型稳定激活的神经元，从而减轻随机抽取多样失型在每个批次中导致的优化冲突。为进一步促进稳定激活向失型不变表征的转化，我们引入特征一致性损失，约束同一图像在不同失型下的解码特征保持一致。大量实验表明，与SRD训练策略相比，Meta-FC在高强度、组合及未知失型下，分别将各种水印模型的鲁棒性和可泛化性提升平均分别为1.59%、4.71%和2.38%。
引用
@article{arxiv.2602.21849,
title = {Meta-FC: Meta-Learning with Feature Consistency for Robust and Generalizable Watermarking},
author = {Yuheng Li and Weitong Chen and Chengcheng Zhu and Jiale Zhang and Chunpeng Ge and Di Wu and Guodong Long},
journal= {arXiv preprint arXiv:2602.21849},
year = {2026}
}