【技術實現步驟摘要】
基于高維空間解耦合的可見水印去除方法、系統、設備及介質
[0001]本專利技術涉及可見水印去除領域,具體涉及一種基于高維空間解耦合的可見水印去除方法。
技術介紹
[0002]近年來，隨著計算機硬件和深度學習的突破，人工智能領域在越來越多的領域取得了快速發展，并在社會各方面引領技術革新浪潮。計算機視覺作為人工智能研究最廣泛的領域，包含圖像分類、目標定位、目標檢測等諸多細化方向，在人臉識別、無人駕駛、圖像檢索等領域有著廣闊的應用。
[0003]同時，隨著自媒體時代的到來，水印技術作為媒體保護手段十分常見，一方面，水印去除算法的公開研究，可以作為水印嵌入方法的對抗學習方法；另一方面，良莠不齊的自媒體對水印的隨意使用，甚至形成了“電子包漿”，水印去除方法可以自動地去除無用的水印。
[0004]目前已有的可見水印去除算法包括三個階段，第一階段使用數學方法和手工設計的特征，這些方法精度較差，已不再為人采用。第二階段開始使用深度學習方法，但通常將水印去除算法當作簡單的圖像
?
圖像翻譯任務，沒有完全使用水印任務給出的信息，精度也較差。第三階段也就是最新的方法多采用單編碼器
?
多解碼器結構，分別用于水印定位和水印修復任務。然而現有方法并沒有注意到不同分支之間的高層語義之間的差距，只能以漸進的方式逐步向各自的任務靠攏。本方法引入了對比學習機制，使不同任務在深層特征就更加具有針對性，從而達到更優良的修復效果。
技術實現思路
[0005]本專利技術的主要目的在于克服現有技術...
【技術保護點】
【技術特征摘要】
1.基于高維空間解耦合的可見水印去除方法，其特征在于，包括下述步驟：獲取原始圖像、水印圖像和嵌入水印圖像；所述嵌入式水印圖像是在原始圖像上嵌入水印圖像得到；將所述原始圖像、水印圖像和嵌入式水印圖像輸入共享權值的主干網絡，分別得到原始圖像語義特征W
?
、水印語義特征W和嵌入水印圖像語義特征；將所述嵌入水印圖像語義特征經過兩個多頭自注意力分支，分別得到水印定位分支的高層語義W
*
和水印修復分支的高層語義W
*
?
；將所述的水印語義特征W、原始圖像語義特征W
?
、水印定位分支的高層語義W
*
和水印修復分支的高層語義W
*
?
構建樣本對{W
*
,W
?
,W}和{W
*
?
,W
?
,W}，使用損失函數對樣本對進行約束,得到約束后的W
*
和W
*
?
；將所述得到約束后的W
*
和W
*
?
，分別經過若干卷積層上采樣后得到第一階段的水印定位掩碼和第一階段的粗略的圖像修復結果；將所述第一階段的水印掩碼和第一階段的粗略的圖像修復結果同時投入第二階段Unet網絡結構中；對所述第一階段的粗略的圖像進行下采樣得到高層語義信息，將下采樣得到的高層語義信息再通過上采樣恢復圖片細節，同時注入第一階段的解碼器信息，得到細化的圖像修復結果。2.根據權利要求1所述基于高維空間解耦合的可見水印去除方法，其特征在于，所述嵌入水印圖像語義特征經過兩個多頭自注意力分支，具體為：使用多頭自注意力機制捕捉不同任務的關注區域，計算公式為：同任務的關注區域，計算公式為：其中，i表示第i個頭，X是第i個頭的輸入，W
iQ
,表示第i個頭的線性層權重，Q
i
,K
i
,V
i
表示第i個頭計算得到的Query，Key，Value向量，d
k
表示key向量的維度數，head
i
為第i個頭的計算結果。3.根據權利要求1所述基于高維空間解耦合的可見水印去除方法，其特征在于，所述使用損失函數對樣本對進行約束，具體為：組織兩組對比學習損失函數，使用{W
*
,W,W
?
}作為輸入，損失函數記為以為例：首先，給定高層語義{W
*
,W,W
?
}和水印區域掩碼真值M，M是和原圖寬高一樣的二值矩陣，通過計算負樣本特征向量、正樣本特征向量以及錨樣本特征向量，提取出水印區域特征，具體的計算公式為：體的計算公式為：體的計算公式為：其中，代表全局平均池化和歸一化操作，
⊙
代表element
?
wise乘法，n表示負樣本特征向量，p表示正樣本特征向量，q表示錨樣本特征向量；
其次，基于InfoNCE損失函數，得到變體對比學習損失函數如下：其中，N表示batch中樣本數，i表示第i個樣本，τ表示的是一個超參數；對于損失函數步驟和一樣，只是修改了輸入的正負樣本集合。4.根據權利要求1所述基于高維空間解耦合...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。