一种基于双损失正交解耦与多尺度融合的零水印生成方法及应用

本技术涉及数字图像版权保护与信息安全，特别是涉及一种基于双损失正交解耦与多尺度融合的零水印生成方法及应用。

背景技术：

1、随着短视频、数字绘画、遥感测绘、医学影像等数字媒体产业高速发展，图像素材的在线分发、二次编辑与转载门槛持续降低，未经授权盗用、二次商用、伪造版权归属等侵权行为日益泛滥，数字图像版权确权与溯源取证面临严峻挑战。传统嵌入型数字水印通过修改图像像素或频域系数嵌入版权信息，虽能实现溯源，但会引入视觉失真，对于医疗影像、高精度测绘遥感、商业摄影等对图像保真度有硬性约束的场景存在明显应用局限。

2、零水印技术作为无损版权保护方案，仅提取图像自身固有稳定特征与版权标识融合生成版权凭证，不修改宿主图像任何像素，完美保留原图完整性，已成为高精度图像版权保护的主流技术路线。现有零水印技术主要分为两类：一类是基于频域变换、不变矩的手工特征方案，这类方法高度依赖人工先验，面对旋转、裁剪、混合攻击时鲁棒性不足，且特征区分度有限，大规模图库下碰撞误判风险高；另一类是基于深度学习的零水印方案，依托卷积网络强大的特征表征能力提升鲁棒性，但现有方法多采用分类损失或普通对比损失，仅约束同源图像特征一致性，未对异源宿主、异源版权的水印特征进行解耦，导致不同宿主 -版权组合的水印特征耦合严重，区分度难以满足大规模版权库的商用需求。此外，现有深度零水印多采用单尺度高层特征，丢失浅层纹理与局部信息，面对裁剪、遮挡等局部攻击时水印稳定性不足。

3、综上，现有深度零水印方法难以同时兼顾高鲁棒性与高区分度，无法适配高精度、大规模的图像版权保护需求。

技术实现思路

1、本发明的目的在于解决现有技术中存在的至少一种缺陷，提供一种基于双损失正交解耦与多尺度融合的零水印生成方法及应用，本发明能够兼顾高鲁棒性与高区分度，同时适配高精度、大规模的图像版权保护需求。

2、为了实现上述目的，第一方面，本发明提供一种基于双损失正交解耦与多尺度融合的零水印模型训练方法，所述方法包括以下步骤：

3、构建零水印生成模型，所述零水印生成模型包括多尺度特征提取网络和正交特征融合网络；所述多尺度特征提取网络包括空间变换子网络和convnext-small骨干子网络，所述正交特征融合网络包括多尺度空间金字塔注意力子网络和残差融合子网络；

4、使用双通道复合数据增强策略训练所述多尺度特征提取网络，得到训练好的多尺度特征提取网络；

5、冻结所述训练好的多尺度特征提取网络的参数，使用基于行列正交损失与噪声一致性损失的损失函数训练所述正交特征融合网络，得到训练好的正交特征融合网络；

6、将训练完成的多尺度特征提取网络和训练完成的正交特征融合网络作为最终的零水印生成模型。

7、进一步地，所述空间变换子网络由定位网络、网格生成器和双线性采样器依次连接组成；所述定位网络用于根据输入图像回归输出仿射变换参数；所述网格生成器用于根据所述仿射变换参数生成采样网格坐标；所述双线性采样器用于根据所述采样网格坐标从所述输入图像中采集像素并输出几何校正后的图像。

8、进一步地，所述双通道复合数据增强策略包括：

9、(1).对训练数据集中的原始图像施加弱增强处理，得到弱增强样本；所述弱增强处理为从旋转、裁剪、椒盐噪声、高斯噪声、滤波和jpeg压缩中随机选取一种攻击方式对所述原始图像进行处理；

10、(2).对同一原始图像施加强增强处理，得到强增强样本；所述强增强处理为对所述原始图像依次施加大角度旋转、极端比例随机裁剪，再叠加高斯噪声、椒盐噪声、中值滤波、高斯滤波和jpeg压缩中的多种攻击；

11、(3).同一原始图像的弱增强样本与强增强样本构成正样本对，不同原始图像的增强样本之间构成负样本对。

12、进一步地，使用双通道复合数据增强策略训练所述多尺度特征提取网络时，采用simclr自监督对比学习框架；训练的总损失函数为nt-xent对比损失与逆一致性正则损失的加权和，所述nt-xent对比损失用于最大化正样本对的特征相似度并最小化负样本对的特征相似度，所述逆一致性正则损失用于约束所述强增强样本在施加额外仿射扰动前后的特征一致性，所述总损失函数的表示如下：

13、

14、其中，其中为nt-xent对比损失；为逆一致性正则损失；为正则项权重系数。

15、进一步地，所述多尺度空间金字塔注意力子网络包括通道统一模块、空间金字塔池化模块、挤压-激励通道注意力模块和层级注意力融合模块；

16、所述通道统一模块用于对输入的多层级特征图分别执行1×1卷积，将各层级特征图的通道维度统一为相同维度；

17、所述空间金字塔池化模块用于对统一通道后的各层级特征图分别以多种网格尺寸进行平均池化并拼接，得到各层级的全局-局部描述子；

18、所述挤压-激励通道注意力模块用于对各层级的所述描述子进行通道权重重标定；

19、所述层级注意力融合模块用于对各层级重标定后的描述子进行加权融合，输出多尺度融合特征。

20、进一步地，所述残差融合子网络包括特征拼接单元、线性投影支路、多层感知机支路和加权合成单元；

21、所述特征拼接单元用于将宿主图像的全局特征与版权图像的全局特征拼接为联合特征；

22、所述线性投影支路用于对所述联合特征进行线性变换，得到第一输出；

23、所述多层感知机支路用于对所述联合特征进行非线性映射，得到第二输出；

24、所述加权合成单元用于将所述第一输出与所述第二输出进行加权求和，并对加权求和结果进行l2归一化，得到位于单位超球面上的水印特征向量。

25、进一步地，所述行列正交损失用于约束同一训练批次中多张宿主图像与多张版权图像两两组合生成的水印特征向量在行方向和列方向上均两两正交；所述水印特征向量的行方向为同一版权图像对应不同宿主图像的组合方向，所述水印特征向量的列方向为同一宿主图像对应不同版权图像的组合方向；所述噪声一致性损失用于约束输入所述正交特征融合网络的特征在叠加高斯噪声前后的水印特征向量输出之间的余弦相似度大于或等于预设阈值；其中，所述行列正交损失的数学表达形式为：

26、

27、其中，b为训练批次中宿主图像或版权图像的数量，为第i张宿主图像与第p张版权图像生成的水印特征向量；

28、所述噪声一致性损失的数学表达形式为：

29、

30、其中，为干净特征生成的水印向量，为加噪特征生成的水印向量，为余弦相似度函数；

31、基于行列正交损失与噪声一致性损失的损失函数的数学表达形式为：

32、

33、其中，为噪声一致性损失的权重系数。

34、第二方面，本发明还提供一种基于双损失正交解耦与多尺度融合的零水印生成方法，所述方法包括：

35、将目标宿主图像和目标版权图像输入第一方面所述方法训练得到的零水印生成模型中，得到水印特征向量；

36、对所述水印特征向量进行二值化处理，输出水印序列。

37、第三方面，本发明还提供一种基于双损失正交解耦与多尺度融合的版权认证方法，所述方法为第二方面所述的一种基于双损失正交解耦与多尺度融合的零水印生成方法的应用，所述方法包括：

38、使用第二方面所述的方法，生成目标宿主图像和目标版权图像对应的得到第一水印特征向量，对所述第一水印特征向量进行二值化处理得到第一水印序列，提取所述目标版权图像的全局特征生成置乱密钥，利用所述置乱密钥对所述第一水印序列进行置乱加密，将加密后的第一水印序列与所述目标版权图像绑定存入认证库；

39、将待验证图像和待确权版权图像按照相同的方式输入所述零水印生成模型并二值化，得到第二水印序列，并按照相同的方式生成置乱密钥并对所述第二水印序列进行置乱加密；

40、计算加密后的第二水印序列与所述认证库中加密后的第一水印序列的归一化互相关值，若所述归一化互相关值大于或等于预设阈值，则判定所述待验证图像与所述待确权版权图像存在版权归属关系。

41、进一步地，所述置乱密钥的生成方式为：提取版权图像的全局特征向量，取所述全局特征向量的前若干维分量加权求和并取整，生成随机数种子；所述置乱加密为基于所述随机数种子的一维fibonacci仿射置乱；

42、所述一维fibonacci仿射置乱为迭代执行多轮仿射索引重排，每轮生成与水印序列长度互质的系数和偏移量，根据所述系数和偏移量对水印序列索引执行仿射变换后重排序列，其中，所述仿射变换公式为：

43、

44、其中为原始索引，为置乱后索引，为每轮生成的变换参数，为水印序列长度。

45、与现有技术相比，本发明的有益效果在于：

46、（1）本发明在骨干网络前端嵌入空间变换网络，结合弱-强双通道复合攻击增强策略与自监督对比学习，从输入校正与特征学习两个层面提升模型对旋转、缩放、平移等几何攻击的抵抗能力，大角度旋转下仍能维持高水印匹配度。

47、（2）本发明设计多尺度空间金字塔注意力模块，融合浅层纹理、中层结构、高层语义三层特征，通过空间金字塔池化捕获多粒度局部信息，结合通道注意力与层级注意力自适应加权，显著提升裁剪、遮挡等局部破坏场景下的水印稳定性。

48、（3）提出行列双向正交损失，从向量空间直接强制不同宿主、不同版权的水印特征相互解耦，配合短水印序列即可实现远低于现有方案的碰撞率，大幅降低大规模版权库下的误匹配风险，满足商用确权的高唯一性要求。

49、（4）采用行列正交损失与噪声一致性损失的双损失互锁机制，既通过正交损失保障高区分度，又通过噪声一致性损失维持特征鲁棒性与训练稳定性，突破现有方案“鲁棒性高则区分度差、区分度高则鲁棒性差”的固有性能瓶颈。

50、（5）引入基于版权特征的动态fibonacci仿射置乱，实现一图一密，密钥天然与版权绑定，无需额外管理开销；置乱变换为可逆双射，完全不影响水印匹配精度，在提升安全性的同时不牺牲确权性能。

51、（6）采用两阶段解耦训练架构，训练过程稳定易收敛；生成的短水印序列存储开销低、匹配计算速度快，适配大规模版权库的高效检索与确权需求。