融合Gabor滤波与Transformer的图像水印方法

来源：信号处理杂志 2025年第4期北京时间：

作者：张天骐, 谭霜, 沈夕文, 唐娟

摘要：图像水印在数字版权保护和身份验证领域中具有关键意义，是保护图像信息安全和确保数据可信性的重要技术手段。目前，大多数已发表的基于深度学习的图像水印方法都是基于卷积神经网络设计的，此类方法存在无法充分捕捉图像的全局信息和细节信息，以及忽略图像高频信息具备稳定和不可感知特点等问题，为了克服上述问题，该论文提出一种融合Gabor滤波与Transformer的图像水印模型。该模型由嵌入网络、提取网络和判别网络组成：在嵌入网络设计了水印信息处理模块对水印信息引入冗余和扩展操作，以增加水印信息在传输过程中的鲁棒性；在嵌入网络引入Gabor滤波的思想在特征提取模块通过卷积分支来捕捉局部特征，通过Transformer分支捕捉全局信息，来充分挖掘图像的稳定特征；在提取网络中融合标准卷积和差分卷积，来准确感知图像的细微信息，进而提高水印的提取精度；引入判别网络与嵌入网络形成对抗训练关系，评估生成水印图像的真实性和质量，从而提升嵌入网络生成水印图像的视觉质量。分别在COCO、ImageNet和VOC2012数据集下进行综合对比实验，结果表明，该文方法针对不可感知性和鲁棒性，相比于相关水印模型取得了更优的指标，具有较为突出的增强性能与泛化能力。此外，还进行了相关的消融实验，结果进一步验证了该模型的可靠性和有效性。

关键词：‍‍图像水印, 不可感知, 鲁棒性, 卷积神经网络, Transformer