CN112330522A - 水印去除模型训练方法、装置、计算机设备和存储介质 - Google Patents
水印去除模型训练方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112330522A CN112330522A CN202011238056.2A CN202011238056A CN112330522A CN 112330522 A CN112330522 A CN 112330522A CN 202011238056 A CN202011238056 A CN 202011238056A CN 112330522 A CN112330522 A CN 112330522A
- Authority
- CN
- China
- Prior art keywords
- image
- watermark
- loss value
- trained
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000005012 migration Effects 0.000 claims abstract description 165
- 238000013508 migration Methods 0.000 claims abstract description 165
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本申请涉及一种水印去除模型训练方法、装置、计算机设备和存储介质。方法包括:在样本图像数据集中提取水印图像以及对应的干净图像;将提取的图像输入至待训练水印去除模型中进行三次风格迁移,得到风格迁移结果,根据提取的图像对风格迁移结果中的目标图像进行识别,得到图像识别结果;根据风格迁移结果、图像识别结果、水印图像以及干净图像计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值;根据上述各损失值计算待训练水印去除模型对应的目标损失值;根据目标损失值对待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。采用本方法能够提高水印去除后的图像质量。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种水印去除模型训练方法、装置、计算机设备和存储介质。
背景技术
随着数字媒体技术和计算机技术的发展,各种数字媒体如图像,通过互联网进行传播,人们可以进行下载使用。为了保护图像的版权,往往在图像中添加水印。由于水印会在一定程度上干扰或破坏图像的内在数据信息,为了更好地应用图像的价值,需要将图像中的水印去除。
目前,可以通过生成式对抗模型对水印图像进行水印去除,得到对应的干净图像,然而,传统的生成式对抗模型在水印去除过程中,可能会丢失水印图像的原有信息,导致得到的干净图像的质量较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高水印去除后的图像质量的水印去除模型训练方法、装置、计算机设备和存储介质。
一种水印去除模型训练方法,所述方法包括:
获取样本图像数据集;
在所述样本图像数据集中提取水印图像以及所述水印图像对应的干净图像;
将所述水印图像以及所述干净图像输入至待训练水印去除模型中,通过所述待训练水印去除模型对所述水印图像以及所述干净图像进行三次风格迁移,得到风格迁移结果,根据所述水印图像以及所述干净图像对所述风格迁移结果中的目标图像进行识别,得到图像识别结果;
根据所述风格迁移结果、所述图像识别结果、所述水印图像以及所述干净图像计算所述待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值;
根据所述对抗损失值、所述循环一致性损失值以及所述身份重建损失值计算所述待训练水印去除模型对应的目标损失值;
根据所述目标损失值对所述待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。
在其中一个实施例中,所述将所述水印图像以及所述干净图像输入至待训练水印去除模型中,通过所述待训练水印去除模型对所述水印图像以及所述干净图像进行三次风格迁移,得到风格迁移结果包括:
将所述水印图像以及所述干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移,得到所述水印图像对应的无水印图像、所述干净图像对应的有水印图像、所述无水印图像对应的第一水印添加图像以及所述有水印图像对应的第一水印去除图像、所述水印图像对应的第二水印添加图像和所述干净图像对应的第二水印去除图像;
根据所述无水印图像、所述有水印图像、所述第一水印添加图像、所述第一水印去除图像、所述第二水印添加图像和所述第二水印去除图像生成风格迁移结果。
在其中一个实施例中,所述待训练水印去除模型的生成器包括第一生成器和第二生成器,所述将所述水印图像以及所述干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移,得到所述水印图像对应的无水印图像、所述干净图像对应的有水印图像、所述无水印图像对应的第一水印添加图像以及所述有水印图像对应的第一水印去除图像、所述水印图像对应的第二水印添加图像和所述干净图像对应的第二水印去除图像包括:
将所述水印图像输入至所述待训练水印去除模型的第一生成器中进行第一次风格迁移,以及将所述干净图像输入至所述待训练水印去除模型的第二生成器中进行第一次风格迁移,通过所述第一生成器输出所述水印图像对应的无水印图像,以及通过所述第二生成器输出所述干净图像对应的有水印图像;
将所述无水印图像输入至所述第二生成器中进行第二次风格迁移,以及将所述有水印图像输入至所述第二生成器中进行第二次风格迁移,通过所述第二生成器输出所述无水印图像对应的第一水印添加图像,以及通过所述第一生成器输出所述有水印图像对应的第一水印去除图像;
将所述干净图像输入至所述第一生成器中进行第三次风格迁移,以及将所述水印图像输入至所述第二生成器中进行第三次风格迁移,通过所述第一生成器输出所述干净图像对应的第二水印去除图像,以及通过所述第二生成器输出所述水印图像对应的第二水印添加图像。
在其中一个实施例中,所述风格迁移结果包括无水印图像、有水印图像、第一水印添加图像、第一水印去除图像、第二水印添加图和第二水印去除图像,所述根据所述风格迁移结果、所述图像识别结果、所述水印图像以及所述干净图像计算所述待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值包括:
根据所述图像识别结果计算所述待训练水印去除模型对应的对抗损失值;
根据所述风格迁移结果中的第一水印消除图像和第一水印添加图像、所述水印图像以及所述干净图像计算所述待训练水印去除模型对应的循环一致性损失值;
根据所述风格迁移结果中的第二水印添加图像和第二水印去除图像、所述水印图像以及所述干净图像计算所述待训练水印去除模型对应的身份重建损失值。
在其中一个实施例中,所述待训练水印去除模型包括两个子网络,各子网络包括生成器以及判别器,所述生成器与所述判别器均包括编码器且共用一个编码器,所述根据所述目标损失值对所述待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型包括:
固定所述待训练水印去除模型的各生成器中解码器的生成参数,根据所述目标损失值对各子网络中判别器的判别参数进行调整,得到调整后的损失值;
固定所述待训练水印去除模型的各判别器的判别参数,根据所述调整后的损失值对所述解码器的生成参数进行调整,所述判别参数包括编码器对应的编码参数;
重复所述根据所述目标损失值对所述待训练水印去除模型进行对抗训练的步骤,直至达到预设条件,停止模型训练,确定所述待训练水印去除模型中的模型生成器,将所述模型生成器与所述模型生成器对应的当前生成参数进行保存,得到训练后的水印去除模型,所述当前生成器参数包括所述模型生成器中编码器对应的当前编码器参数。
一种图像水印去除方法,所述方法包括:
获取待处理图像;
将所述待处理图像输入至训练后的水印去除模型的生成器中,通过生成器中的编码器对所述待处理图像进行编码,输出图像特征,所述训练后的水印去除模型是根据样本图像数据集进行对抗训练得到的,在对抗训练过程中,所述水印去除模型对应的目标损失值是根据对抗损失值、循环一致性损失值以及身份重建损失值计算得到的;所述对抗损失值、所述循环一致性损失值以及所述身份重建损失值是通过对所述样本图像数据集进行风格迁移计算得到的;
通过所述生成器对所述图像特征进行风格迁移,得到所述待处理图像对应的干净图像。
一种水印去除模型训练装置,所述装置包括:
风格迁移模块,用于获取样本图像数据集;在所述样本图像数据集中提取水印图像以及所述水印图像对应的干净图像;将所述水印图像以及所述干净图像输入至待训练水印去除模型中,通过所述水印去除模型对所述水印图像以及所述干净图像进行三次风格迁移,得到风格迁移结果;
损失计算模块,用于根据所述风格迁移结果、所述水印图像以及所述干净图像计算所述水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值;根据所述对抗损失值、所述循环一致性损失值以及所述身份重建损失值计算所述水印去除模型对应的目标损失值;
对抗训练模块,用于根据所述目标损失值对所述水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。
一种图像水印去除装置,所述装置包括:
图像获取模块,用于获取待处理图像;
图像编码模块,用于将所述待处理图像输入至训练后的水印去除模型的编码器中进行编码,输出图像特征,所述训练后的水印去除模型是根据样本图像数据集进行对抗训练得到的,在对抗训练过程中,所述水印去除模型对应的目标损失值是根据对抗损失值、循环一致性损失值以及身份重建损失值计算得到的;
水印去除模块,用于将所述图像特征输入至所述训练后的水印去除模型的生成器中进行水印去除,得到所述待处理图像对应的干净图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
上述水印去除模型训练方法、装置、计算机设备和存储介质,通过获取样本图像数据集,在样本图像数据集中提取水印图像以及水印图像对应的干净图像,通过待训练水印去除模型对水印图像以及干净图像进行三次风格迁移,并根据水印图像以及干净图像对风格迁移结果中的目标图像进行识别,得到图像识别结果。进行模型训练所使用的样本数据集只需要一批水印图像和一批水印图像对应的干净图像即可,不需要任何的额外标注,减少了人工标注造成的时间消耗。根据风格迁移结果、图像识别结果、水印图像以及干净图像计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值,从而根据上述损失值计算待训练水印去除模型对应的目标损失值,进而根据目标损失值对待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。由于对抗损失值能够去除生成的无水印图像以及有水印图像与相应的输入图像之间的模式差距,循环一致性损失值能够保证在水印去除前和水印去除后,图像的内容不发生变化。身份重建损失值能够保证在水印去除前和水印去除后,图像的颜色组成是相同的,使得训练后的水印去除模型在有效去除水印的同时保证输入图像的原有信息,避免了原有信息的丢失,从而提高了水印去除模型输出的干净图像的质量。
附图说明
图1为一个实施例中水印去除模型训练方法的应用环境图;
图2为一个实施例中水印去除模型训练方法的流程示意图;
图3为一个实施例中将水印图像以及干净图像输入至待训练水印去除模型中,通过待训练水印去除模型对水印图像以及干净图像进行三次风格迁移,得到风格迁移结果步骤的流程示意图;
图4为一个实施例中训练水印去除模型中任意一个子网络的网络结构示意图;
图5为一个实施例中将水印图像以及干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移步骤的流程示意图;
图6为一个实施例中根据风格迁移结果、图像识别结果、水印图像以及干净图像计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值步骤的流程示意图;
图7为一个实施例中根据目标损失值对待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型步骤的流程示意图;
图8为一个实施例中图像水印去除方法的流程示意图;
图9为一个实施例中水印去除模型训练装置的结构框图;
图10为一个实施例中图像水印去除装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的水印去除模型训练方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。当需要训练水印去除模型时,终端102将初始图像数据集发送至服务器104,服务器104对初始图像数据集进行预处理,得到样本图像数据集。服务器104在获取到样本图像数据集后,在样本图像数据集中提取水印图像以及水印图像对应的干净图像,将水印图像以及干净图像输入至待训练水印去除模型中,通过待训练水印去除模型对水印图像以及干净图像进行三次风格迁移,得到风格迁移结果,根据水印图像以及干净图像对风格迁移结果中的目标图像进行识别,得到图像识别结果。从而服务器104根据风格迁移结果、水印图像以及干净图像计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值,根据对抗损失值、循环一致性损失值以及身份重建损失值计算待训练水印去除模型对应的目标损失值,进而根据目标损失值对待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种水印去除模型训练方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取样本图像数据集。
样本图像数据集是指用于训练水印去除模型的训练集,样本图像数据集可以包括多个样本图像,多个是指两个或以上。样本图像对应的图像类别可以包括水印图像类别和干净图像类别。水印图像类别中的水印图像与干净图像类别中的干净图像是一一对应的。其中,水印图像中的水印可以是数字水印。干净图像是指图像中不存在水印的图像。
在其中一个实施例中,样本图像数据集可以是从终端中获取的,可以是对预先存储的初始图像数据集进行预处理后得到的,还可以是在获取到终端发送的初始图像数据集后,对初始图像数据集进行预处理得到的。其中,初始图像数据集是指通过水印添加处理的图像,包括干净图像以及干净图像对应的水印图像。
当服务器通过对预先存储的初始图像数据集进行预处理的方式得到样本图像数据集时,初始图像数据集可以是服务器预先构建并存储在服务器中的。具体的,服务器可以获取多个干净图像,在各干净图像中添加随机水印,得到各干净图像对应的水印图像,从而将干净图像标记为干净图像类别,将添加水印得到的水印图像标记为水印图像类别,进而得到初始图像数据集,并将初始图像数据集进行存储。其中,随机水印是指水印的尺寸、位置、颜色、透明度、数量等信息都是随机添加的,同一水印图像中的水印可以是不同的,多个水印图像中的水印可以是不同的。由于水印图像中的水印是随机添加的,水印的分布数量以及分布位置等都是不确定的,由此可以获取更为丰富的图像数据,有利于提高训练后的水印去除模型的准确度,使得训练后的水印去除模型在实际应用过程中,在水印图像中水印分布密集且水印随机性较强的情况下,也能将水印图像中的水印去除干净。
进一步的,服务器还可以在得到各干净图像对应的水印图像后,将干净图像与干净图像对应的水印图像进行关联。具体的,终端可以在干净图像或者干净图像对应的水印图像中任意一个图像中添加关联标识,由此可以根据关联标识快速确定关联图像。关联标识用于标记存在关联关系的图像,例如,关联标识可以是图像序号、图像名称等。例如,干净图像对应的关联标识可以是相应的水印图像的图像名称。水印图像对应的关联标识可以是相应的干净图像的图像名称。进而服务器根据关联处理后的图像得到初始图像数据集,将初始图像数据集进行存储。
当服务器通过对预先存储的初始图像数据集进行预处理的方式,或者通过对终端发送的初始图像数据集进行预处理的方式得到样本图像数据集时,服务器都需要对初始图像数据进行预处理,其中,预处理的方式可以包括尺寸调整、剪裁以及归一化处理等。
在其中一个实施例中,获取样本图像数据集包括:获取初始图像数据集;对初始图像数据集进行尺寸调整,得到调整后的初始图像数据集;对调整后的初始图像数据集进行随机剪裁,得到剪裁后的初始图像数据集;对剪裁后的初始图像数据集进行归一化处理,得到样本数据集。初始图像数据集可以是预先存储的,也可以是从终端获取的。服务器对初始图像数据集中的干净图像以及水印图像进行尺寸调整,将初始图像数据集中的全部图像缩放至相同的图像尺寸,例如,286*286。例如,尺寸调整的方式可以是最近邻插值、线性插值、区域插值等多种方式中的任意一种。服务器对尺寸调整后的初始图像数据集进行剪裁,剪裁是指将图像裁剪至特定大小,如256*256。例如,剪裁的方式可以是随机剪裁。通过对尺寸调整后的初始图像数据集进行剪裁,实现了数据扩充,并弱化了数据噪声,由此可以提高水印去除模型的准确性和稳定性。服务器还可以对剪裁后的初始图像数据集进行归一化处理,归一化处理的方式可以是z-score标准化(zero-mean normalization,零-均值标准化)方法、min-max标准化(min-max normalization,离差标准化)方法等中的任意一种。通过对剪裁后的初始图像数据集进行归一化处理能够提高后续水印去除模型的准确性,提升水印去除模型的收敛速度。
步骤204,在样本图像数据集中提取水印图像以及水印图像对应的干净图像。
步骤206,将水印图像以及干净图像输入至待训练水印去除模型中,通过待训练水印去除模型对水印图像以及干净图像进行三次风格迁移,得到风格迁移结果,根据水印图像以及干净图像对风格迁移结果中的目标图像进行识别,得到图像识别结果。
样本图像数据集中样本图像对应的图像类别可以包括水印图像类别和干净图像类别。水印图像类别中的水印图像与干净图像类别中的干净图像是一一对应的。服务器可以在水印图像类别中提取水印图像以及在干净图像类别中提取与水印图像对应的干净图像。
待训练水印去除模型是指需要进行训练的水印去除模型。待训练水印去除模型用于对输入的图像进行风格迁移,得到风格迁移后的图像。例如,待训练水印去除模型可以是对生成式对抗网络模型进行网络结构改进后的得到的模型。具体的,待训练水印去除模型在生成式对抗网络的基础上增加了一对生成器和判别器,即待训练水印去除模型可以包括两个子网络,各子网络可以包括一个生成器以及一个判别器,生成器与判别器均包括编码器。两个子网络中的生成器的作用可以是不同的,一个生成器用于生成没有水印的图像,而另外一个生成器用于生成携带水印的图像,生成器的目标在于尽可能使生成的图像被判别器判别为真实图像。判别器的目标则在于尽可能正确区分生成器输出的图像是真实图像还是生成图像。
目标图像是指风格迁移结果中需要进行图像识别的图像。服务器可以调用待训练水印去除模型,将提取的水印图像以及干净图像输入至待训练水印去除模型中,通过待训练水印去除模型对水印图像以及干净图像进行三次风格迁移,得到风格迁移结果。风格迁移是指将图像的图像风格进行转换。例如,只对水印图像进行一次风格迁移,可以得到水印图像对应的干净图像。干净图像是指将水印图像中的水印去除后得到的图像。通过待训练水印去除模型对水印图像以及干净图像进行了三次风格迁移,得到的风格迁移结果中可以包括三次风格迁移后得到的图像。三次风格迁移可以表示在待训练水印去除模型中进行了三次风格迁移处理过程。
其中,第一次风格迁移后得到的图像可以包括水印图像对应的无水印图像以及干净图像对应的有水印图像,第二次风格迁移后得到的图像可以包括无水印图像对应的第一水印添加图像以及有水印图像对应的第一水印去除图像,第三次风格迁移后得到图像可以包括:水印图像对应的第二水印添加图像以及干净图像对应的第二水印去除图像。通过待训练水印去除模型对风格迁移结果中的目标图像进行识别,从而得到图像识别结果。目标图像可以包括一次风格迁移后得到的无水印图像和有水印图像。识别是指判断目标图像是否为真实图像,即判断无水印图像是否为输入至待训练水印去除模型的干净图像以及判断有水印图像是否为输入至待训练水印去除模型的水印图像。图像识别结果可以是目标图像为真实图像的概率。
步骤208,根据风格迁移结果、图像识别结果、水印图像以及干净图像计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值。
风格迁移结果中可以包括水印图像对应的无水印图像、干净图像对应的有水印图像、无水印图像对应的第一水印添加图像、有水印图像对应的第一水印去除图像、水印图像对应的第二水印添加图像以及干净图像对应的第二水印去除图像。服务器可以根据风格迁移结果、水印图像以及干净图像计算待训练水印去除模型对应的循环一致性损失值以及身份重建损失值,根据图像识别结果计算待训练水印去除模型对应的对抗损失值。其中,循环一致性损失值是指待训练水印去除模型中生成器的循环一致性损失值,可以用于表示第一水印添加图像与水印图像之间的差异,以及第一水印去除图像与干净图像之间的差异,根据循环一致性损失值对待训练水印去除模型进行对抗训练还可以保证在水印去除前和水印去除后,图像的内容不发生变化,如身份、表情等等。身份重建损失值是指待训练水印去除模型中生成器的身份重建损失值,身份重建损失值可以用于表示第二水印添加图像与水印图像之间的差异,以及第二水印去除图像与干净图像之间的差异,根据身份重建损失值对待训练水印去除模型进行对抗训练还可以保证在水印去除前和水印去除后,图像的颜色组成是相同的。对抗损失值包括待训练水印去除模型中生成器的对抗损失值和判别器的对抗损失值,可以用于表示无水印图像与干净图像之间的差异,以及有水印图像与水印图像之间的差异,能够去除生成的无水印图像以及有水印图像与相应的输入图像之间的模式差距,还可以实现对未经过标注的样本图像数据集进行训练,减少了人工标注所耗费的时间和精力。待训练水印去除模型的输出与输入的差异越大,各损失值也就越大。
步骤210,根据对抗损失值、循环一致性损失值以及身份重建损失值计算待训练水印去除模型对应的目标损失值。
服务器在计算得到对抗损失值、循环一致性损失值以及身份重建损失值后,可以将对抗损失值、循环一致性损失值以及身份重建损失值划分为生成器损失和判别器损失,并根据生成器损失中的损失值和判别器损失中的损失值计算待训练水印去除模型对应的目标损失值。目标损失值是指待训练水印去除模型的最终损失,可以包括生成器损失值以及判别器损失值。
具体的,服务器可以将对抗损失值、循环一致性损失值以及身份重建损失值划分为生成器损失和判别器损失,生成器损失可以包括对抗损失值中的生成器损失值、循环一致性损失值以及身份重建损失值。判别器损失可以包括对抗损失值中的判别器损失值。从而服务器将生成器损失中的各损失值进行加权运算,得到生成器损失值,并将生成器损失值以及判别器损失值作为待训练水印去除模型对应的目标损失值。
步骤212,根据目标损失值对待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。
服务器根据目标损失值对待训练水印去除模型中的两对生成器和判别器进行对抗训练。对抗训练是指对生成器与判别器进行相反方向的训练。具体的,由于生成器与判别器中均包括编码器,且编码器是共用的,服务器可以对待训练水印去除模型进行解耦训练,解耦训练是指只有在训练判别器时,才对编码器的编码参数进行调整。在训练完一次之后,调整一次模型参数,重复进行迭代训练,直至达到预设条件。预设条件可以是模型的损失值不再下降,或者是模型的损失值小于阈值。此时,服务器可以停止模型训练,将此时的目标生成器与目标生成器对应的生成参数进行保存,得到训练后的水印去除模型。目标生成器为用于生成没有水印的图像的生成器。目标生成器中包括编码器,目标生成器对应的生成参数包括编码器的编码参数。
在本实施例中,通过获取样本图像数据集,在样本图像数据集中提取水印图像以及水印图像对应的干净图像,通过待训练水印去除模型对水印图像以及干净图像进行三次风格迁移,并根据水印图像以及干净图像对风格迁移结果中的目标图像进行识别,得到图像识别结果。进行模型训练所使用的样本数据集只需要一批水印图像和一批水印图像对应的干净图像即可,不需要任何的额外标注,减少了人工标注造成的时间消耗。根据风格迁移结果、图像识别结果、水印图像以及干净图像计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值,从而根据对抗损失值、循环一致性损失值以及身份重建损失值计算待训练水印去除模型对应的目标损失值,进而根据目标损失值对待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。由于对抗损失值能够去除生成的无水印图像以及有水印图像与相应的输入图像之间的模式差距,循环一致性损失值能够保证在水印去除前和水印去除后,图像的内容不发生变化。身份重建损失值能够保证在水印去除前和水印去除后,图像的颜色组成是相同的,使得训练后的水印去除模型在有效去除水印的同时保证输入图像的原有信息,避免了原有信息的丢失,从而提高了水印去除模型输出的干净图像的质量。
在一个实施例中,如图3所示,将水印图像以及干净图像输入至待训练水印去除模型中,通过待训练水印去除模型对水印图像以及干净图像进行三次风格迁移,得到风格迁移结果的步骤包括:
步骤302,将水印图像以及干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移,得到水印图像对应的无水印图像、干净图像对应的有水印图像、无水印图像对应的第一水印添加图像以及有水印图像对应的第一水印去除图像、水印图像对应的第二水印添加图像和干净图像对应的第二水印去除图像。
步骤304,根据无水印图像、有水印图像、第一水印添加图像、第一水印去除图像、第二水印添加图像和第二水印去除图像生成风格迁移结果。
待训练水印去除模型包括两个子网络,各子网络包括一个生成器和一个判别器,生成器与判别器均包括编码器,且生成器与判别器共用一个编码器。与传统的对抗式网络模型中生成器与判别器分别具备一个编码器相比,减少了模型参数,网络结构更为简单。
待训练水印去除模型中的两个子网络是相互独立的,且两个子网络的网络结构是相同的。如图4所示,为待训练水印去除模型中任意一个子网络的网络结构示意图。其中,编码器可以是卷积神经网络,包括卷积层和两个下采样层。生成器可以是卷积神经网络和残差块网络的结合,卷积神经网络为编码器结构,残差块结构包括六个残差块、两个上采样层和卷积层。可以将残差块网络称为第一解码器,即生成器网络包括编码器和第一解码器。判别器可以是卷积神经网络,包括与编码器连接的两个卷积层。可以将与编码器连接的两个卷积层称为解码器,即判别器包括编码器和第二解码器。
在其中一个实施例中,生成器中的残差块可以采用短连接的方式。短连接是指针对每个残差块,可以跳过残差块的一个层或者多个层,直接将输入和输入组合在一起。通过短连接的方式设计残差块,无需增加额外的参数和计算复杂度,解决了传统深度学习网络的网络退化问题和梯度消失问题,使得较深的神经网络也能够对特征进行有效地学习,从而使得待训练水印去除模型能够对图像特征进行有效学习。
服务器调用待训练水印去除模型,由于待训练水印去除模型中包括两个生成器和两个判别器,两个生成器的作用可以是不同的,一个生成器用于生成没有水印的图像,而另外一个生成器用于生成携带水印的图像。服务器可以将水印图像以及干净图像分别输入至待训练水印去除模型的对应生成器中,通过生成器对水印图像以及干净图像进行三次风格迁移。风格迁移是指将图像的图像风格进行转换。例如,对水印图像进行一次风格迁移,可以得到水印图像对应的干净图像。每经过一次生成器,即实现了一次风格迁移。三次风格迁移可以是通过两个生成器之间的顺序运算以及交叉运算实现的。
由于生成器中包括编码器和解码器,因此,在各生成器中,会先经过编码器进行特征提取,得到相应的特征向量,从而将特征向量输入至解码器中进行解码,得到相应的输出图像,至此实现了一次风格迁移。例如,在第一次风格迁移中,可以先将水印图像以及干净图像输入至各生成器中的编码器中,通过编码器对相应的输入图像进行特征提取,得到各编码器输出的特征向量。特征向量可以包括水印图像对应的第一特征向量以及干净图像对应的第二特征向量。通过待训练水印去除模型将第一特征向量以及第二特征向量作为相应生成器中解码器的输入,得到水印图像对应的无水印图像和干净图像对应的有水印图像。通过待训练水印去除模型根据两个生成器之间的顺序运算以及交叉运算可以实现三次风格迁移,得到无水印图像、有水印图像、第一水印添加图像、第一水印去除图像、第二水印添加图像和第二水印去除图像,并将得到的图像作为风格迁移结果。
在本实施例中,通过将水印图像以及干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移,有利于后续计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值。
在一个实施例中,如图5所示,将水印图像以及干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移的步骤包括:
步骤502,将水印图像输入至待训练水印去除模型的第一生成器中进行第一次风格迁移,以及将干净图像输入至待训练水印去除模型的第二生成器中进行第一次风格迁移,通过第一生成器输出水印图像对应的无水印图像,以及通过第二生成器输出干净图像对应的有水印图像。
步骤504,将无水印图像输入至第二生成器中进行第二次风格迁移,以及将有水印图像输入至第二生成器中进行第二次风格迁移,通过第二生成器输出无水印图像对应的第一水印添加图像,以及通过第一生成器输出有水印图像对应的第一水印去除图像。
步骤506,将干净图像输入至第一生成器中进行第三次风格迁移,以及将水印图像输入至第二生成器中进行第三次风格迁移,通过第一生成器输出干净图像对应的第二水印去除图像,以及通过第二生成器输出水印图像对应的第二水印添加图像。
待训练水印去除模型包括两个生成器,第一生成器和第二生成器。第一生成器可以用于生成没有水印的图像,第二生成器可以用于生成携带水印的图像。
服务器可以将水印图像输入至待训练水印去除模型中的第一生成器中,以及将干净图像输入至待训练水印去除模型中的第二生成器中,通过第一生成器对水印图像进行第一次风格迁移,得到水印图像对应的无水印图像,通过第二生成器对干净图像进行第一次风格迁移,得到干净图像对应的有水印图像。无水印图像以及有水印图像可以用于计算待训练水印去除模型对应的对抗损失值。
待训练水印去除模型将无水印图像输入至第二生成器中,将有水印图像输入至第一生成器中,通过第二生成器对无水印图像进行第二次风格迁移,得到无水印图像对应的第一水印添加图像,通过第一生成器对有水印图像进行第二次风格迁移,得到有水印图像对应的第一水印去除图像。第一水印添加图像和第一水印去除图像可以用于计算待训练水印去除模型对应的循环一致性损失值。
待训练水印去除模型还可以将干净图像作为第一生成器的输入,将水印图像作为第二生成器的输入,通过第一生成器对干净图像进行第三次风格迁移,得到干净图像对应的第二水印去除图像,通过第二生成器对水印图像进行第三次风格迁移,得到水印图像对应的第二水印添加图像。第二水印去除图像和第一水印添加图像可以用于计算待训练水印去除模型对应的身份重建损失值。由此待训练水印去除模型可以通过判断第一水印添加图像以及第一水印去除图像与相应的输入图像之间的差异,来计算循环一致性损失。通过第一生成器对干净图像进行第三次风格迁移,得到第二水印去除图像,通过第二生成器对水印图像进行第三次风格迁移,得到第二水印添加图像。由此待训练水印去除模型可以通过判断第二水印去除图像以及第二水印添加图像与相应的输入图像之间的差异,来计算身份重建损失。
在一个实施例中,待训练水印去除模型的生成器包括第一生成器和第二生成器,根据水印图像以及干净图像对风格迁移结果中的目标图像进行识别,得到图像识别结果的步骤包括:将风格迁移结果中的无水印图像和有水印图像作为目标图像;将目标图像输入至待训练水印去除模型的对应判别器中进行识别,得到图像识别结果。服务器将水印图像以及干净图像输入至待训练水印去除模型中,通过待训练水印去除模型中的生成器对水印图像以及干净图像进行三次风格迁移,得到风格迁移结果后,可以提取风格迁移结果中的无水印图像和有水印图像,将无水印图像以及有水印图像作为目标图像。无水印图像为第一生成器输出的图像,有水印图像为第二生成器输出的图像。待训练水印去除模型中包括两个判别器,第一判别器和第二判别器,第一判别器可以与第一生成器进行连接,第二判别器可以与第二判别器进行连接。将目标图像中的无水印图像作为第一判别器的输入,将目标图像中的有水印图像作为第二判别器的输入,通过第一判别器识别无水印图像与干净图像之间的差异,输出无水印图像为真实图像的概率,将第一判别器的输出作为无水印图像对应的第一识别结果。通过第二判别器识别有水印图像与水印图像之间的差异,输出有水印图像为真实图像的概率。将第二判别器的输出作为有水印图像对应的第二识别结果。从而可以根据第一识别结果以及第二识别结果得到图像识别结果。
在本实施例中,通过待训练水印去除模型中的判别器对风格迁移结果中的无水印图像和有水印图像进行识别,可以得到无水印图像为真实图像的概率以及有水印图像为真实图像的概率,从而有利于服务器根据判别器的输出来计算对抗损失值,能够去除生成的无水印图像以及有水印图像与相应的输入图像之间的模式差距。
在一个实施例中,如图6所示,根据风格迁移结果、图像识别结果、水印图像以及干净图像计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值的步骤包括:
步骤602,根据图像识别结果计算待训练水印去除模型对应的对抗损失值。
步骤604,根据风格迁移结果中的第一水印消除图像和第一水印添加图像、水印图像以及干净图像计算待训练水印去除模型对应的循环一致性损失值。
步骤606,根据风格迁移结果中的第二水印添加图像和第二水印去除图像、水印图像以及干净图像计算待训练水印去除模型对应的身份重建损失值。
风格迁移结果包括无水印图像、有水印图像、第一水印添加图像、第一水印去除图像、第二水印添加图和第二水印去除图像。图像识别结果包括无水印图像为真实图像的概率以及有水印图像为真实图像的概率。
服务器在得到风格迁移结果以及图像识别结果后,可以采用MSE_loss(MeanSquare Error,均方误差)损失函数,根据图像识别结果中无水印图像为真实图像的概率来计算第一生成器对应的对抗损失值,第一生成器可以用G表示,第一生成器对应的对抗损失值可以用loss_G_A表示。采用MSE_loss(Mean Square Error,均方误差)损失函数,根据图像识别结果中有水印图像为真实图像的概率计算第二生成器对应的对抗损失值。第二生成器可以用F表示,第二生成器对应的对抗损失值可以用loss_G_B表示。服务器还可以采用平均绝对误差L1_loss损失函数,根据图像识别结果中无水印图像为真实图像的概率来计算第一判别器对应的对抗损失值,第一判别器可以用DY表示,第一判别器对应的对抗损失值可以用loss_D_A表示。采用平均绝对误差L1_loss损失函数,根据图像识别结果中有水印图像为真实图像的概率来计算第二判别器对应的对抗损失值。第二判别器可以用DX表示,第二判别器对应的对抗损失值可以用loss_D_B表示。服务器可以将loss_G_A与loss_G_B之和作为待训练水印去除模型中生成器的对抗损失值,将loss_D_A与loss_D_B之和作为待训练水印去除模型中判别器的对抗损失值。
服务器在风格迁移结果中提取第一水印添加图像,采用平均绝对误差L1_loss损失函数计算第一水印添加图像与水印图像之间的差异,从而得到待训练水印去除模型中生成器的第一循环一致性损失值loss_cycle_A。在风格迁移结果中提取第一水印去除图像,采用平均绝对误差L1_loss损失函数计算第一水印去除图像与干净图像之间的差异,从而得到待训练水印去除模型中生成器的第二循环一致性损失值loss_cycle_B。服务器可以将loss_cycle_A与loss_cycle_B相加得到待训练水印去除模型对应的循环一致性损失值。
服务器在风格迁移结果中提取第二水印去除图像,采用平均绝对误差L1_loss损失函数计算第二水印添加图像与干净图像之间的差异,从而得到待训练水印去除模型对应的第一身份重建损失值idt_A。服务器在风格迁移结果中提取第二水印添加图像,采用平均绝对误差L1_loss损失函数计算第二水印添加图像与水印图像之间的差异,从而得到待训练水印去除模型对应的第二身份重建损失值idt_B。服务器可以将idt_A与idt_B相加得到待训练水印去除模型对应的身份重建损失值。
在本实施例中,服务器根据图像识别结果计算待训练水印去除模型对应的对抗损失值,根据风格迁移结果中的第一水印消除图像和第一水印添加图像、水印图像以及干净图像计算待训练水印去除模型对应的循环一致性损失值,根据风格迁移结果中的第二水印添加图像和第二水印去除图像、水印图像以及干净图像计算待训练水印去除模型对应的身份重建损失值。能够快速、全面地计算待训练水印去除模型的损失。
在一个实施例中,对抗损失值包括生成器对抗损失值和判别器对抗损失值,根据对抗损失值、循环一致性损失值以及身份重建损失值计算待训练水印去除模型的目标损失值包括:获取对抗损失值中生成器对抗损失值对应的对抗权重、循环一致性损失值对应的循环权重以及身份重建损失值对应的身份权重,对抗权重、循环权重以及身份权重具有预设关系;根据生成器对抗损失与对抗权重,循环一致性损失值与循环权重,以及身份重建损失值与身份权重计算待训练水印去除模型对应的生成器损失值;将生成器损失值以及对抗损失值中的判别器对抗损失值作为待训练水印去除模型对应的目标损失值。
由于对抗损失值包括待训练水印去除模型中生成器的对抗损失值和判别器的对抗损失值,服务器可以获取对抗损失值中生成器的对抗损失值对应的对抗权重,循环一致性损失值对应的循环权重以及身份重建损失值对应的身份权重。对抗权重、循环权重以及身份权重具有预设关系,预设关系可以是相加为一。在训练模型时可以进行各权重之间的分配。服务器对生成器的对抗损失值、循环一致性损失值以及身份重建损失值进行加权计算,得到待训练水印去除模型对应的生成器损失值。生成器损失值的计算公式可以如下所示:
loss_G=w1(loss_G_A+loss_G_B)+w2(loss_cycle_A+loss_cycle_B)+w3(idt_A+idt_B)
其中,loss_G表示生成器损失值,w1表示对抗权重,w2表示循环权重,w3表示身份权重。loss_G_A表示第一生成器对应的对抗损失值,loss_G_B表示第二生成器对应的对抗损失值,loss_cycle_A表示第一循环一致性损失值,loss_cycle_B表示第二循环一致性损失值,idt_A表示第一身份重建损失值,idt_B表示第二身份重建损失值。
对抗损失值中的判别器对抗损失值可以用如下公式计算:
loss_D=loss_D_A+loss_D_B
其中,loss_D表示判别器对抗损失值,loss_D_A表示第一判别器对应的对抗损失值,loss_D_B表示第二判别器对应的对抗损失值。
服务器可以将生成器损失值以及对抗损失值中的判别器对抗损失值作为待训练水印去除模型对应的目标损失值。在本实施例中,服务器通过对生成器的各损失值进行加权计算,得到生成器损失值,并将生成器损失值以及对抗损失值中的判别器对抗损失值作为目标损失值,能够根据各损失在整个损失计算过程中的重要性来计算待训练水印去除模型对应的目标损失值,能够提高模型损失的计算准确性,以此提高待训练水印去除模型的训练效率及准确性。
在一个实施例中,如图7所示,根据目标损失值对待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型的步骤包括:
步骤702,固定待训练水印去除模型的各生成器中解码器的生成参数,根据目标损失值对各子网络中判别器的判别参数进行调整,得到调整后的损失值。
步骤704,固定待训练水印去除模型的各判别器的判别参数,根据调整后的损失值对解码器的生成参数进行调整,判别参数包括编码器对应的编码参数。
步骤706,重复根据目标损失值对待训练水印去除模型进行对抗训练的步骤,直至达到预设条件,停止模型训练,确定待训练水印去除模型中的模型生成器,将模型生成器与模型生成器对应的当前生成参数进行保存,得到训练后的水印去除模型,当前生成器参数包括模型生成器中编码器对应的当前编码器参数。
待训练水印去除模型包括两个子网络结构,各子网络包括一个生成器以及一个判别器,生成器中包括编码器与第一解码器,生成器与判别器共用一个编码器,判别器中包括编码器以及第二解码器。
可以采用解耦训练方式对待训练水印去除模型进行训练。解耦训练是指只有在训练模型中的判别器时才对编码器的编码参数进行调整。因此在训练模型中的判别器时,需要固定待训练水印去除模型的各生成器中解码器的生成参数,根据目标损失值对各子网络中判别器的判别参数进行调整,得到调整后的损失值。判别器的判别参数中包括编码器的编码参数,判别参数包括编码器对应的编码参数。而在训练模型中的生成器时,需要固定待训练水印去除模型的各判别器的判别参数,根据调整后的损失值对解码器的生成参数进行调整,从而实现解耦训练。通过待训练水印去除模型中两对生成器和判别器的对抗学习来逐渐优化模型参数,使得第一生成器能够把带水印的图像生成为更为干净的去水印图像,第二生成器能够把无水印的图像生成为有水印的且接近现有水印风格的图像,这是一个对抗辅助学习的过程,通过对模型进行迭代训练,直至达到预设条件,停止模型训练。其中,预设条件可以是模型的损失值不再下降或者小于阈值。服务器将模型生成器与模型生成器对应的当前生成参数进行保存,从而得到训练后的水印去除模型。
在本实施例中,通过对待训练水印去除模型进行解耦训练,能够提高训练后的水印去除模型输出的干净图像的质量。
在一个实施例中,如图8所示,提供了一种图像水印去除方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤802,获取待处理图像。
步骤804,将待处理图像输入至训练后的水印去除模型的生成器中,通过生成器中的编码器对待处理图像进行编码,输出图像特征,训练后的水印去除模型是根据样本图像数据集进行对抗训练得到的,在对抗训练过程中,水印去除模型对应的目标损失值是根据对抗损失值、循环一致性损失值以及身份重建损失值计算得到的;对抗损失值、循环一致性损失值以及身份重建损失值是通过对样本图像数据集进行风格迁移计算得到的。
步骤806,通过生成器对图像特征进行风格迁移,得到待处理图像对应的干净图像。
待处理图像是指需要进行水印去除处理的图像。待处理图像中所包含的水印可以是数字水印,数字水印的数量、位置、颜色、透明度等可以是随机的。在需要进行水印去除时,终端可以将待处理图像发送至服务器。服务器在获取到待处理图像后,调用训练后的水印去除模型。训练后的水印去除模型是根据样本图像数据集进行对抗训练得到的。其中,对抗训练的方式可以是解耦训练。解耦训练是指只有在训练模型中的判别器时才对编码器的编码参数进行调整。在对抗训练过程中,通过在样本图像数据集中提取水印图像以及水印图像对应的干净图像,将水印图像以及干净图像输入至待训练水印去除模型中,通过待训练水印去除模型对水印图像以及干净图像进行三次风格迁移,得到风格迁移结果,根据水印图像以及干净图像对风格迁移结果中的目标图像进行识别,得到图像识别结果。从而根据风格迁移结果、图像识别结果、水印图像以及干净图像计算待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值,根据对抗损失值、循环一致性损失值以及身份重建损失值计算待训练水印去除模型对应的目标损失值,通过目标损失值对待训练水印去除模型的模型参数进行调整,最终保留模型生成器与模型生成器对应的当前生成参数,进而得到训练后的水印去除模型。模型生成器是指用于生成没有水印的图像的生成器。模型生成器中包括编码器和相应的解码器。
服务器将待处理图像输入至训练后的水印去除模型中,水印去除模型中包括生成器,生成器中包括编码器和相应的解码器,通过编码器对待处理图像进行编码,得到图像特征。从而将图像特征作为解码器的输入,通过解码器对图像特征进行风格迁移,得到待处理图像对应的干净图像。
在本实施例中,由于训练后的水印去除模型是根据样本图像数据集进行对抗训练得到的,能够提高输出的干净图像的质量。在对抗训练过程中,水印去除模型对应的目标损失值是根据对抗损失值、循环一致性损失值以及身份重建损失值计算得到的,对抗损失值、循环一致性损失值以及身份重建损失值是通过对样本图像数据集进行风格迁移计算得到的。对抗损失值能够去除生成的无水印图像以及有水印图像与相应的输入图像之间的模式差距,循环一致性损失值能够保证在水印去除前和水印去除后,图像的内容不发生变化。身份重建损失值能够保证在水印去除前和水印去除后,图像的颜色组成是相同的,使得训练后的水印去除模型在有效去除水印的同时保证输入图像的原有信息,避免了原有信息的丢失,从而有效提高了输出的干净图像的质量。
应该理解的是,虽然图2至3、5至8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至3、5至8中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种水印去除模型训练装置,包括:样本获取模块902、风格迁移模块904、损失计算模块906和对抗训练模块908,
其中:
样本获取模块902,用于获取样本图像数据集。
风格迁移模块904,用于在样本图像数据集中提取水印图像以及水印图像对应的干净图像;将水印图像以及干净图像输入至待训练水印去除模型中,通过水印去除模型对水印图像以及干净图像进行三次风格迁移,得到风格迁移结果。
损失计算模块906,用于根据风格迁移结果、水印图像以及干净图像计算水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值;根据对抗损失值、循环一致性损失值以及身份重建损失值计算水印去除模型对应的目标损失值。
对抗训练模块908,用于根据目标损失值对水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。
在一个实施例中,风格迁移模块904还用于将水印图像以及干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移,得到水印图像对应的无水印图像、干净图像对应的有水印图像、无水印图像对应的第一水印添加图像以及有水印图像对应的第一水印去除图像、水印图像对应的第二水印添加图像和干净图像对应的第二水印去除图像;根据无水印图像、有水印图像、第一水印添加图像、第一水印去除图像、第二水印添加图像和第二水印去除图像生成风格迁移结果。
在一个实施例中,待训练水印去除模型的生成器包括第一生成器和第二生成器,风格迁移模块904还用于将水印图像输入至待训练水印去除模型的第一生成器中进行第一次风格迁移,以及将干净图像输入至待训练水印去除模型的第二生成器中进行第一次风格迁移,通过第一生成器输出水印图像对应的无水印图像,以及通过第二生成器输出干净图像对应的有水印图像;将无水印图像输入至第二生成器中进行第二次风格迁移,以及将有水印图像输入至第二生成器中进行第二次风格迁移,通过第二生成器输出无水印图像对应的第一水印添加图像,以及通过第一生成器输出有水印图像对应的第一水印去除图像;将干净图像输入至第一生成器中进行第三次风格迁移,以及将水印图像输入至第二生成器中进行第三次风格迁移,通过第一生成器输出干净图像对应的第二水印去除图像,以及通过第二生成器输出水印图像对应的第二水印添加图像。
在一个实施例中,风格迁移模块904还用于将风格迁移结果中的无水印图像和有水印图像作为目标图像;将目标图像输入至待训练水印去除模型的对应判别器中进行识别,得到图像识别结果,图像识别结果包括无水印图像对应的第一识别结果以及有水印图像对应的第二识别结果。
在一个实施例中,风格迁移结果包括无水印图像、有水印图像、第一水印添加图像、第一水印去除图像、第二水印添加图和第二水印去除图像,损失计算模块906还用于根据图像识别结果计算待训练水印去除模型对应的对抗损失值;根据风格迁移结果中的第一水印消除图像和第一水印添加图像、水印图像以及干净图像计算待训练水印去除模型对应的循环一致性损失值;根据风格迁移结果中的第二水印添加图像和第二水印去除图像、水印图像以及干净图像计算待训练水印去除模型对应的身份重建损失值。
在一个实施例中,对抗损失值包括生成器对抗损失值和判别器对抗损失值,损失计算模块906还用于获取对抗损失值中生成器对抗损失值对应的对抗权重、循环一致性损失值对应的循环权重以及身份重建损失值对应的身份权重,对抗权重、循环权重以及身份权重具有预设关系;根据生成器对抗损失与对抗权重,循环一致性损失值与循环权重,以及身份重建损失值与身份权重计算待训练水印去除模型对应的生成器损失值;将生成器损失值以及对抗损失值中的判别器对抗损失值作为待训练水印去除模型对应的目标损失值。
在一个实施例中,样本获取模块902还用于获取初始图像数据集;对初始图像数据集进行尺寸调整,得到调整后的初始图像数据集;对调整后的初始图像数据集进行剪裁,得到剪裁后的初始图像数据集;对剪裁后的初始图像数据集进行归一化处理,得到样本数据集。
在一个实施例中,待训练水印去除模型包括两个子网络,各子网络包括生成器以及判别器,生成器与判别器均包括编码器且共用一个编码器,对抗训练模块908还用于固定待训练水印去除模型的各生成器中解码器的生成参数,根据目标损失值对各子网络中判别器的判别参数进行调整,得到调整后的损失值;固定待训练水印去除模型的各判别器的判别参数,根据调整后的损失值对解码器的生成参数进行调整,判别参数包括编码器对应的编码参数;重复根据目标损失值对待训练水印去除模型进行对抗训练的步骤,直至达到预设条件,停止模型训练,确定待训练水印去除模型中的模型生成器,将模型生成器与模型生成器对应的当前生成参数进行保存,得到训练后的水印去除模型,当前生成器参数包括模型生成器中编码器对应的当前编码器参数。
在一个实施例中,如图10所示,提供了一种图像水印去除装置,包括:图像获取模块1002、图像编码模块1004和水印去除模块1006,其中:
图像获取模块1002,用于获取待处理图像。
图像编码模块1004,用于将待处理图像输入至训练后的水印去除模型的编码器中进行编码,输出图像特征,训练后的水印去除模型是根据样本图像数据集进行对抗训练得到的,在对抗训练过程中,水印去除模型对应的目标损失值是根据对抗损失值、循环一致性损失值以及身份重建损失值计算得到的。
水印去除模块1006,用于将图像特征输入至训练后的水印去除模型的生成器中进行水印去除,得到待处理图像对应的干净图像。
关于水印去除模型训练装置的具体限定可以参见上文中对于水印去除模型训练方法的限定,在此不再赘述。关于图像水印去除装置的具体限定可以参见上文中对于图像水印去除方法的限定,在此不再赘述。上述水印去除模型训练装置和图像水印去除装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储一种水印去除模型训练方法的数据或者一种图像水印去除方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水印去除模型训练方法或者图像水印去除方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述各个实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种水印去除模型训练方法,其特征在于,所述方法包括:
获取样本图像数据集;
在所述样本图像数据集中提取水印图像以及所述水印图像对应的干净图像;
将所述水印图像以及所述干净图像输入至待训练水印去除模型中,通过所述待训练水印去除模型对所述水印图像以及所述干净图像进行三次风格迁移,得到风格迁移结果,根据所述水印图像以及所述干净图像对所述风格迁移结果中的目标图像进行识别,得到图像识别结果;
根据所述风格迁移结果、所述图像识别结果、所述水印图像以及所述干净图像计算所述待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值;
根据所述对抗损失值、所述循环一致性损失值以及所述身份重建损失值计算所述待训练水印去除模型对应的目标损失值;
根据所述目标损失值对所述待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。
2.根据权利要求1所述的方法,其特征在于,所述将所述水印图像以及所述干净图像输入至待训练水印去除模型中,通过所述待训练水印去除模型对所述水印图像以及所述干净图像进行三次风格迁移,得到风格迁移结果包括:
将所述水印图像以及所述干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移,得到所述水印图像对应的无水印图像、所述干净图像对应的有水印图像、所述无水印图像对应的第一水印添加图像以及所述有水印图像对应的第一水印去除图像、所述水印图像对应的第二水印添加图像和所述干净图像对应的第二水印去除图像;
根据所述无水印图像、所述有水印图像、所述第一水印添加图像、所述第一水印去除图像、所述第二水印添加图像和所述第二水印去除图像生成风格迁移结果。
3.根据权利要求2所述的方法,其特征在于,所述待训练水印去除模型的生成器包括第一生成器和第二生成器,所述将所述水印图像以及所述干净图像输入至待训练水印去除模型的对应生成器中进行三次风格迁移,得到所述水印图像对应的无水印图像、所述干净图像对应的有水印图像、所述无水印图像对应的第一水印添加图像以及所述有水印图像对应的第一水印去除图像、所述水印图像对应的第二水印添加图像和所述干净图像对应的第二水印去除图像包括:
将所述水印图像输入至所述待训练水印去除模型的第一生成器中进行第一次风格迁移,以及将所述干净图像输入至所述待训练水印去除模型的第二生成器中进行第一次风格迁移,通过所述第一生成器输出所述水印图像对应的无水印图像,以及通过所述第二生成器输出所述干净图像对应的有水印图像;
将所述无水印图像输入至所述第二生成器中进行第二次风格迁移,以及将所述有水印图像输入至所述第二生成器中进行第二次风格迁移,通过所述第二生成器输出所述无水印图像对应的第一水印添加图像,以及通过所述第一生成器输出所述有水印图像对应的第一水印去除图像;
将所述干净图像输入至所述第一生成器中进行第三次风格迁移,以及将所述水印图像输入至所述第二生成器中进行第三次风格迁移,通过所述第一生成器输出所述干净图像对应的第二水印去除图像,以及通过所述第二生成器输出所述水印图像对应的第二水印添加图像。
4.根据权利要求1所述的方法,其特征在于,所述风格迁移结果包括无水印图像、有水印图像、第一水印添加图像、第一水印去除图像、第二水印添加图和第二水印去除图像,所述根据所述风格迁移结果、所述图像识别结果、所述水印图像以及所述干净图像计算所述待训练水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值包括:
根据所述图像识别结果计算所述待训练水印去除模型对应的对抗损失值;
根据所述风格迁移结果中的第一水印消除图像和第一水印添加图像、所述水印图像以及所述干净图像计算所述待训练水印去除模型对应的循环一致性损失值;
根据所述风格迁移结果中的第二水印添加图像和第二水印去除图像、所述水印图像以及所述干净图像计算所述待训练水印去除模型对应的身份重建损失值。
5.根据权利要求1所述的方法,其特征在于,所述待训练水印去除模型包括两个子网络,各子网络包括生成器以及判别器,所述生成器与所述判别器均包括编码器且共用一个编码器,所述根据所述目标损失值对所述待训练水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型包括:
固定所述待训练水印去除模型的各生成器中解码器的生成参数,根据所述目标损失值对各子网络中判别器的判别参数进行调整,得到调整后的损失值;
固定所述待训练水印去除模型的各判别器的判别参数,根据所述调整后的损失值对所述解码器的生成参数进行调整,所述判别参数包括编码器对应的编码参数;
重复所述根据所述目标损失值对所述待训练水印去除模型进行对抗训练的步骤,直至达到预设条件,停止模型训练,确定所述待训练水印去除模型中的模型生成器,将所述模型生成器与所述模型生成器对应的当前生成参数进行保存,得到训练后的水印去除模型,所述当前生成器参数包括所述模型生成器中编码器对应的当前编码器参数。
6.一种图像水印去除方法,其特征在于,所述方法包括:
获取待处理图像;
将所述待处理图像输入至训练后的水印去除模型的生成器中,通过生成器中的编码器对所述待处理图像进行编码,输出图像特征,所述训练后的水印去除模型是根据样本图像数据集进行对抗训练得到的,在对抗训练过程中,所述水印去除模型对应的目标损失值是根据对抗损失值、循环一致性损失值以及身份重建损失值计算得到的;所述对抗损失值、所述循环一致性损失值以及所述身份重建损失值是通过对所述样本图像数据集进行风格迁移计算得到的;
通过所述生成器对所述图像特征进行风格迁移,得到所述待处理图像对应的干净图像。
7.一种水印去除模型训练装置,其特征在于,所述装置包括:
样本获取模块,用于获取样本图像数据集;
风格迁移模块,在所述样本图像数据集中提取水印图像以及所述水印图像对应的干净图像;将所述水印图像以及所述干净图像输入至待训练水印去除模型中,通过所述水印去除模型对所述水印图像以及所述干净图像进行三次风格迁移,得到风格迁移结果;
损失计算模块,用于根据所述风格迁移结果、所述水印图像以及所述干净图像计算所述水印去除模型对应的对抗损失值、循环一致性损失值以及身份重建损失值;根据所述对抗损失值、所述循环一致性损失值以及所述身份重建损失值计算所述水印去除模型对应的目标损失值;
对抗训练模块,用于根据所述目标损失值对所述水印去除模型进行对抗训练,直至达到预设条件,停止模型训练,得到训练后的水印去除模型。
8.一种图像水印去除装置,其特征在于,所述装置包括:
图像获取模块,用于获取待处理图像;
图像编码模块,用于将所述待处理图像输入至训练后的水印去除模型的编码器中进行编码,输出图像特征,所述训练后的水印去除模型是根据样本图像数据集进行对抗训练得到的,在对抗训练过程中,所述水印去除模型对应的目标损失值是根据对抗损失值、循环一致性损失值以及身份重建损失值计算得到的;
水印去除模块,用于将所述图像特征输入至所述训练后的水印去除模型的生成器中进行水印去除,得到所述待处理图像对应的干净图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238056.2A CN112330522B (zh) | 2020-11-09 | 2020-11-09 | 水印去除模型训练方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238056.2A CN112330522B (zh) | 2020-11-09 | 2020-11-09 | 水印去除模型训练方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330522A true CN112330522A (zh) | 2021-02-05 |
CN112330522B CN112330522B (zh) | 2024-06-04 |
Family
ID=74316929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011238056.2A Active CN112330522B (zh) | 2020-11-09 | 2020-11-09 | 水印去除模型训练方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330522B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950458A (zh) * | 2021-03-19 | 2021-06-11 | 润联软件***(深圳)有限公司 | 基于对抗生成网络的图像***去除方法、装置及相关设备 |
CN113052068A (zh) * | 2021-03-24 | 2021-06-29 | 深圳威富云数科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113379585A (zh) * | 2021-06-23 | 2021-09-10 | 景德镇陶瓷大学 | 无边框定位的陶瓷水印模型训练方法和嵌密方法 |
CN113591856A (zh) * | 2021-08-23 | 2021-11-02 | 中国银行股份有限公司 | 票据图片处理方法及装置 |
CN113781352A (zh) * | 2021-09-16 | 2021-12-10 | 科大讯飞股份有限公司 | 去光照方法、装置、电子设备与存储介质 |
CN113793258A (zh) * | 2021-09-18 | 2021-12-14 | 超级视线科技有限公司 | 监控视频图像的隐私保护方法及其装置 |
CN113822976A (zh) * | 2021-06-08 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 生成器的训练方法及装置、存储介质和电子装置 |
CN117034219A (zh) * | 2022-09-09 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备以及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030131237A1 (en) * | 2002-01-04 | 2003-07-10 | Ameline Ian R. | Method for applying a digital watermark to an output image from a computer program |
CN107993190A (zh) * | 2017-11-14 | 2018-05-04 | 中国科学院自动化研究所 | 图像水印去除装置 |
CN110599387A (zh) * | 2019-08-08 | 2019-12-20 | 北京邮电大学 | 一种自动去除图片水印的方法及装置 |
CN110796583A (zh) * | 2019-10-25 | 2020-02-14 | 南京航空航天大学 | 一种风格化可见水印添加方法 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
CN111696046A (zh) * | 2019-03-13 | 2020-09-22 | 北京奇虎科技有限公司 | 一种基于生成式对抗网络的水印去除方法和装置 |
CN111753908A (zh) * | 2020-06-24 | 2020-10-09 | 北京百度网讯科技有限公司 | 图像分类方法和装置及风格迁移模型训练方法和装置 |
CN111862274A (zh) * | 2020-07-21 | 2020-10-30 | 有半岛(北京)信息科技有限公司 | 生成对抗网络训练方法、图像风格迁移方法及装置 |
-
2020
- 2020-11-09 CN CN202011238056.2A patent/CN112330522B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030131237A1 (en) * | 2002-01-04 | 2003-07-10 | Ameline Ian R. | Method for applying a digital watermark to an output image from a computer program |
CN107993190A (zh) * | 2017-11-14 | 2018-05-04 | 中国科学院自动化研究所 | 图像水印去除装置 |
CN111696046A (zh) * | 2019-03-13 | 2020-09-22 | 北京奇虎科技有限公司 | 一种基于生成式对抗网络的水印去除方法和装置 |
CN110599387A (zh) * | 2019-08-08 | 2019-12-20 | 北京邮电大学 | 一种自动去除图片水印的方法及装置 |
CN110796583A (zh) * | 2019-10-25 | 2020-02-14 | 南京航空航天大学 | 一种风格化可见水印添加方法 |
CN111105336A (zh) * | 2019-12-04 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于对抗网络的图像去水印的方法 |
CN111753908A (zh) * | 2020-06-24 | 2020-10-09 | 北京百度网讯科技有限公司 | 图像分类方法和装置及风格迁移模型训练方法和装置 |
CN111862274A (zh) * | 2020-07-21 | 2020-10-30 | 有半岛(北京)信息科技有限公司 | 生成对抗网络训练方法、图像风格迁移方法及装置 |
Non-Patent Citations (1)
Title |
---|
许哲豪;陈玮;: "基于生成对抗网络的图片风格迁移", 软件导刊, no. 06 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950458A (zh) * | 2021-03-19 | 2021-06-11 | 润联软件***(深圳)有限公司 | 基于对抗生成网络的图像***去除方法、装置及相关设备 |
CN113052068A (zh) * | 2021-03-24 | 2021-06-29 | 深圳威富云数科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113052068B (zh) * | 2021-03-24 | 2024-04-30 | 深圳威富云数科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113822976A (zh) * | 2021-06-08 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 生成器的训练方法及装置、存储介质和电子装置 |
CN113379585A (zh) * | 2021-06-23 | 2021-09-10 | 景德镇陶瓷大学 | 无边框定位的陶瓷水印模型训练方法和嵌密方法 |
CN113379585B (zh) * | 2021-06-23 | 2022-05-27 | 景德镇陶瓷大学 | 无边框定位的陶瓷水印模型训练方法和嵌密方法 |
CN113591856A (zh) * | 2021-08-23 | 2021-11-02 | 中国银行股份有限公司 | 票据图片处理方法及装置 |
CN113781352A (zh) * | 2021-09-16 | 2021-12-10 | 科大讯飞股份有限公司 | 去光照方法、装置、电子设备与存储介质 |
CN113793258A (zh) * | 2021-09-18 | 2021-12-14 | 超级视线科技有限公司 | 监控视频图像的隐私保护方法及其装置 |
CN117034219A (zh) * | 2022-09-09 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备以及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112330522B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330522A (zh) | 水印去除模型训练方法、装置、计算机设备和存储介质 | |
CN111179177B (zh) | 图像重建模型训练方法、图像重建方法、设备及介质 | |
CN107545277B (zh) | 模型训练、身份验证方法、装置、存储介质和计算机设备 | |
CN111160313B (zh) | 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法 | |
CN112598579A (zh) | 面向监控场景的图像超分辨率方法、装置及存储介质 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及*** | |
CN117079083B (zh) | 图像修复模型训练方法、装置、电子设备及存储介质 | |
CN115049556A (zh) | 一种基于StyleGAN的人脸图像修复方法 | |
Wei et al. | A robust image watermarking approach using cycle variational autoencoder | |
CN114494387A (zh) | 一种生成数据集网络模型及雾图生成方法 | |
CN115880203A (zh) | 图像真伪检测方法、图像真伪检测模型训练方法 | |
Tsai | An efficient 3D information hiding algorithm based on sampling concepts | |
Wang et al. | Multi-Feature Fusion based Image Steganography using GAN | |
CN115908094A (zh) | 一种基于特征比较学习的自监督无损零水印算法 | |
CN116051407A (zh) | 一种图像修复方法 | |
CN115761837A (zh) | 人脸识别质量检测方法、***及设备和介质 | |
CN113077379B (zh) | 特征潜码的提取方法及装置、设备及存储介质 | |
CN114493971A (zh) | 媒体数据转换模型训练、数字水印嵌入方法和装置 | |
Niu et al. | An image steganography method based on texture perception | |
CN112614199A (zh) | 语义分割图像转换方法、装置、计算机设备和存储介质 | |
Thenmozhi et al. | Information security using image steganography based on generative adversarial networks | |
Zhang et al. | High Quality Image Steganography Model Based on Encoder-Decoder Networks and 2D Logistic Chaotic Encryption | |
CN113537484B (zh) | 用于数字水印的网络训练、编码和解码方法、装置及介质 | |
CN115115537B (zh) | 一种基于掩码训练的图像修复方法 | |
CN117495648A (zh) | 一种基于隐空间的三维模型水印认证方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |