水印生成方法、装置、设备、介质及产品与流程

本技术属于人工智能安全，具体涉及一种水印生成方法、装置、设备、介质及产品。

背景技术：

1、水印是嵌入到数字内容中的不可见或几乎不可见的标识信息。这种标识可以是文字、图案、序列号等，用于标识内容的来源、所有权或使用权限。水印的存在并不会影响原始内容的正常使用，但可以在需要时通过特定的检测手段提取出来，作为证明内容来源或所有权的有效证据，可以提高对版权的保护。

2、一般情况下，可以利用图像的干净样本进行局部扭曲，将扭曲后产生的图像特征作为水印，即水印为图像边缘、纹理等图像特征的扭曲幅度。这样的水印生成方法，没有对干净样本添加任何内容，仅对干净样本本身进行处理，使得水印的有效信息较少，水印容易被抹去；并且扭曲产生的水印与原干净样本之间的图像差异较大。因此，会降低对样本进行版权验证的有效性和隐蔽性。

技术实现思路

1、鉴于上述问题而提出了本公开。本公开提供了一种水印生成方法、装置、设备、介质及产品，可以提高对样本进行版权验证时的有效性和隐蔽性。

2、根据本公开的一个方面，提供了一种水印生成方法，包括：

3、基于待训练的对抗样本生成模型、干净样本和验证样本，生成训练用水印；

4、基于表征所述训练用水印的分类标签的概率、预设的第一损失子函数和预设的第二损失子函数，计算总损失函数；所述第一损失子函数用于增加所述训练用水印的分类标签被识别为目标标签的概率，所述第二损失子函数用于减小所述对抗样本生成模型输出的训练用水印与所述干净样本的像素之间的差异；

5、采用所述总损失函数优化所述待训练的对抗样本生成模型的参数，直至所述待训练的对抗样本生成模型收敛，获得训练对抗样本生成模型；

6、基于所述训练对抗样本生成模型、所述干净样本和所述验证样本，生成所述干净样本的水印。

7、可选地，所述基于所述训练对抗样本生成模型、所述干净样本和所述验证样本，生成所述干净样本的水印之后，所述方法还包括：

8、基于图像纹理提取器，对所述干净样本中的图像纹理区域进行提取，所述图像纹理区域为所述干净样本中像素点的灰度级或颜色的变化大于或等于预设精度的区域；

9、利用所述干净样本的水印的像素对所述图像纹理区域的像素进行替换，得到携带水印的样本。

10、可选地，所述利用所述干净样本的水印的像素对所述图像纹理区域的像素进行替换，得到携带水印的样本之后，所述方法还包括：

11、基于所述干净样本和所述携带水印的样本，获得训练样本，所述携带水印的样本的标注标签指示所述样本的类别为所述水印的类别；

12、采用所述训练样本对分类模型进行训练，获得目标分类模型。

13、可选地，所述采用所述训练样本对分类模型进行训练，获得目标分类模型之后，所述方法还包括：

14、采用所述目标分类模型对待版权验证的验证样本进行推理，获得所述验证样本的样本标签；

15、在所述样本标签表征的样本的类别与用户所指示的所述验证样本的类别不一致的情况下，输出表征所述验证样本存在版权侵权的验证结果。

16、可选地，所述采用所述训练样本对分类模型进行训练，获得目标分类模型之前，所述方法还包括：

17、利用所述干净样本中的图像纹理区域的纹理信息对所述干净样本的水印进行数据增强，得到所述携带水印的样本的增强样本；

18、将所述干净样本、所述携带水印的样本和所述携带水印的样本的增强样本进行混合，得到混合样本；

19、将所述混合样本作为所述训练样本。

20、可选地，所述采用所述训练样本对分类模型进行训练，获得目标分类模型之前，包括：

21、利用所述干净样本中的图像纹理区域的纹理信息对所述干净样本的水印进行数据增强，得到所述携带水印的样本的增强样本；

22、利用所述干净样本中的图像纹理区域的纹理信息对所述干净样本进行数据增强，得到所述干净样本的增强样本；

23、将所述干净样本、所述干净样本的增强样本、所述携带水印的样本和所述携带水印的样本的增强样本进行混合，得到混合样本；

24、将所述混合样本作为所述训练样本。

25、根据本公开的另一个方面，提供了一种水印生成装置，包括：

26、第一生成模块，用于基于待训练的对抗样本生成模型、干净样本和验证样本，生成训练用水印；

27、计算模块，用于基于表征所述训练用水印的分类标签的概率、预设的第一损失子函数和预设的第二损失子函数，计算总损失函数；所述第一损失子函数用于增加所述训练用水印的分类标签被识别为目标标签的概率，所述第二损失子函数用于减小所述对抗样本生成模型输出的训练用水印与所述干净样本的像素之间的差异；

28、优化模块，用于采用所述总损失函数优化所述待训练的对抗样本生成模型的参数，直至所述待训练的对抗样本生成模型收敛，获得训练对抗样本生成模型；

29、第二生成模块，用于基于所述训练对抗样本生成模型、所述干净样本和所述验证样本，生成所述干净样本的水印。

30、根据本公开的又一个方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现上述水印生成方法。

31、根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述水印生成方法。

32、根据本公开的又一个方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行实现上述水印生成方法。

33、本公开中，基于待训练的对抗样本生成模型、干净样本和验证样本，生成训练用水印。基于表征训练用水印的分类标签的概率、预设的第一损失子函数和预设的第二损失子函数，计算总损失函数；第一损失子函数用于增加训练用水印的分类标签被识别为目标标签的概率，第二损失子函数用于减小对抗样本生成模型输出的训练用水印与干净样本的像素之间的差异。采用总损失函数优化待训练的对抗样本生成模型的参数，获得训练对抗样本生成模型。基于训练对抗样本生成模型、干净样本和验证样本，生成干净样本的水印。通过干净样本和验证样本的结合，生成得到训练待训练的对抗样本生成模型用的水印，之后，分类确定训练用水印的分类标签被输出为目标标签的概率。当训练用水印在进行版权验证时成功率较高时，总损失函数倾向于提高第二损失子函数的占比，使对抗样本生成模型输出的训练用水印与干净样本的像素之间的差异更小；当训练用水印在进行版权验证时成功率较低时，总损失函数倾向于提高第一损失子函数的占比，提高水印的分类标签被识别为目标标签的概率。使得生成的干净样本的水印隐蔽性更强且对版权验证的有效性更高。因此，可以提高对样本进行版权验证的有效性和隐蔽性。

34、要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并且意图在于提供要求保护的技术的进一步说明。

技术特征：

1.一种水印生成方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于所述训练对抗样本生成模型、所述干净样本和所述验证样本，生成所述干净样本的水印之后，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，所述利用所述干净样本的水印的像素对所述图像纹理区域的像素进行替换，得到携带水印的样本之后，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述采用所述训练样本对分类模型进行训练，获得目标分类模型之后，所述方法还包括：

5.根据权利要求4所述的方法，其特征在于，所述采用所述训练样本对分类模型进行训练，获得目标分类模型之前，所述方法还包括：

6.根据权利要求4所述的方法，其特征在于，所述采用所述训练样本对分类模型进行训练，获得目标分类模型之前，所述方法还包括：

7.一种水印生成装置，其特征在于，包括：

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-6任一项所述的方法。

9.一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，所述程序被处理器执行实现如权利要求1-6中任一项所述的方法。

10.一种计算机程序产品，其特征在于，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行如权利要求1-6中任一项所述的。

技术总结
本公开提供一种水印生成方法、装置、设备、介质及产品，应用于人工智能安全技术领域。本公开中，基于待训练的对抗样本生成模型、干净样本和验证样本，生成训练用水印。基于表征训练用水印的分类标签的概率、预设的第一损失子函数和预设的第二损失子函数，计算总损失函数；第一损失子函数用于增加训练用水印的分类标签被识别为目标标签的概率，第二损失子函数用于减小对抗样本生成模型输出的训练用水印与干净样本的像素之间的差异。采用总损失函数优化待训练的对抗样本生成模型的参数，获得训练对抗样本生成模型。基于训练对抗样本生成模型、干净样本和验证样本，生成干净样本的水印。因此，可以提高对样本进行版权验证的有效性和隐蔽性。

技术研发人员：李勇,张辛波,谢朗,张玉栋,吴德东,吴远豪,刘红
受保护的技术使用者：中移物联网有限公司
技术研发日：
技术公布日：2024/12/5