.png){kind=icon}
返回
DiffW: Multi-Encoder Based on Conditional Diffusion Model for Robust Image Watermarking
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3632631.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有的基于深度学习的鲁棒水印模型通常采用判别器构建生成对抗网络（GAN）以提高编码图像的质量，并采用单个编码器嵌入水印。然而，GAN训练不稳定，且单个编码器无法充分调整水印分布，从而影响水印性能。为解决这些局限性，本文提出了一种基于条件扩散模型（CDM）的多编码器用于鲁棒图像水印，即DiffW。为增强稳定性，基于CDM的多编码器结构取代GAN，用于迭代优化水印分布。具体而言，将CDM正向和反向扩散过程中每个时间步的操作视为一个编码器，以克服单个编码器结构的缺陷。在训练阶段，在条件噪声图像的引导下，正向过程训练每个编码器融合图像和水印以生成高质量编码图像。在测试阶段，仅使用正向过程中少量训练好的编码器，以降低时间复杂度。此外，为提高水印鲁棒性，设计了通道注意力模块（CAM），通过挖掘通道相关性提取主要水印特征，进行多层融合，使水印能够嵌入到不可感知和纹理区域。实验结果表明，与现有水印模型相比，所提出的DiffW在水印不可见性和鲁棒性方面能取得更好的效果。
Keyword:
Deep-learning
watermarking
conditional diffusion model
multi-encoder
期刊
IF:
9.7
论文数:
4.6K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
Restoring Vision in Adverse Weather Conditions With Patch-Based Denoising Diffusion Models使用基于补丁的去噪扩散模型在恶劣天气条件下恢复视力
OAAI
OAAI分享收藏DiffWater: Underwater Image Enhancement Based on Conditional Denoising Diffusion Probabilistic ModelOAAI
OAAI分享收藏
查看更多内容