💻 computer science

High-Capacity Robust Watermarking Technology for High-Resolution Images

Dit artikel stelt een hoogcapaciteits-, robuuste watermerkingsmethode voor voor hogeresolutiebeelden die gebruikmaakt van een blokwijze strategie en een reversibele symmetrische encoder-decoder architectuur om 4 KB aan gegevens in 1024×1024 afbeeldingen in te bedden, terwijl een sterke visuele onzichtbaarheid en weerstand tegen diverse ruis-aanvallen behouden blijven.

Oorspronkelijke auteurs: Shaowu Wu, Wei Lu, Qing Qian, Mingsen Deng

Gepubliceerd 2026-07-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shaowu Wu, Wei Lu, Qing Qian, Mingsen Deng

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je door een enorme digitale bibliotheek loopt waar elk boek, schilderij en liedje wordt gemaakt door een superintelligente robotkunstenaar. Deze robots zijn geweldig; ze kunnen in enkele seconden meesterwerken produceren, wat mensen helpt om sneller en goedkoper te werken. Maar er is een addertje onder het gras: omdat de robots zoveel dingen zo gemakkelijk maken, wordt het moeilijk om te bepalen wie er eigenlijk de eigenaar is van een kunstwerk of waar het vandaan komt. Het is alsof miljoenen mensen jouw favoriete liedje beginnen te kopiëren en het als hun eigen werk verkopen. Om dit op te lossen, hebben wetenschappers "digitale watermerken" gebruikt. Denk hierbij niet aan natte inkt, maar aan onzichtbare, piepkleine geheime berichten die verborgen zitten in de pixels van een afbeelding. Net als een echt watermerk op een bankbiljet, bewijzen deze digitale codes het eigendom zonder het plaatje te verpesten.

Lama een tijdje waren deze geheime berichten erg klein—zoals een piepklein briefje met "Copyright 2024" of een kort ID-nummer. Ze werkten uitstekend op kleine, laag-resolutie plaatjes, zoals de grootte van een postzegel. Maar tegenwoordig hebben we het te maken met enorme, high-definition afbeeldingen die eruitzien alsof ze op een billboard geprint kunnen worden. Het is ontzettend moeilijk om een enorme hoeveelheid informatie (zoals een hele paragraaf tekst of een lange ID-code) te verbergen in een gigantische, hoogwaardige afbeelding. Als je probeert te veel in een kleine ruimte te proppen, wordt de afbeelding wazig, of raakt het geheime bericht verloren wanneer de afbeelding wordt aangepast. Dit artikel pakt de uitdaging aan om een enorme hoeveelheid geheime informatie in deze gigantische, hoog-resolutie afbeeldingen te verbergen zonder de afbeelding te verpesten of het bericht te verliezen.

De onderzoekers, een team van de Sun Yat-sen Universiteit en de Guizhou University of Finance and Economics, hebben een nieuw systeem gebouwd om dit puzzelstukje op te lossen. Hun hoofdgerecht is om te stoppen met het proberen te verbergen van het hele geheime bericht in één grote klomp. In plaats daarvan gebruiken ze een "blokwijze" strategie. Stel je voor dat je een gigantische, hoog-resolutie foto van een stad hebt. In plaats van te proberen een geheim bericht over de hele stad tegelijk te verbergen, hakken ze de stad in duizenden kleine, hanteerbare wijken (blokken). Vervolgens verbergen ze een klein stukje van het geheime bericht in elke wijk.

Deze aanpak is als een team spionnen die in een groot gebouw werkt. In plaats van dat één spion een enorme koffer probeert te verstoppen in de hoofdlobby (wat opvallend zou zijn en moeilijk te verplaatsen), hebben ze veel spionnen, die elk een klein, licht pakketje in een andere kamer verstoppen. Dit maakt de taak veel gemakkelijker, zelfs als de spionnen niet veel middelen hebben (zoals krachtige computers) om mee te werken. Door het probleem op te splitsen, kan hun systeem een enorme hoeveelheid data—tot wel 4 KB, wat gelijk staat aan 32.768 bits—verbergen in een enkele 1024×1024 pixel afbeelding. Dat is een enorme sprong ten opzichte van de gebruikelijke 30 of 100 bits die oudere systemen konden verwerken.

Het systeem werkt als een tweestaps magische truc. Eerst neemt een "Encoder" de originele afbeelding en het geheime bericht, hakt ze in stukken en weeft het bericht in de kleine blokken van de afbeelding. Het is ontworpen om omkeerbaar en symmetrisch te zijn, wat betekent dat het proces perfect in balans is. Vervolgens, zelfs als de afbeelding wordt aangevallen—zoals door JPEG-compressie, bedekt met ruis, of wanneer delen ervan zijn weggeknipt—kan een "Decoder" de stukjes nog steeds vinden. De Decoder draait het proces om, verzamelt de kleine fragmenten van het geheime bericht uit elk blok en naait ze weer aan elkaar om het volledige bericht te onthullen.

Om ervoor te zorgen dat de magische truc perfect werkt, heeft het team hun computerbrein getraind met een speciale set regels die een "loss function" wordt genoemd. Denk hierbij aan een strenge leraar die het systeem beoordeelt op twee zaken: hoe onzichtbaar het geheime bericht is (visuele kwaliteit) en hoe goed het bericht bestand is tegen aanvallen (robuustheid). Ze hebben niet alleen de hele afbeelding beoordeeld, maar elke individuele buurt (blok) apart beoordeeld. Dit zorgt ervoor dat geen enkel deel van de afbeelding wordt verpest en dat het bericht overal veilig blijft.

De resultaten zijn indrukwekkend. In hun tests slaagde het systeem erin om die enorme 4 KB boodschap in hoog-resolutie afbeeldingen te verbergen, terwijl de afbeelding bijna identiek bleef aan het origineel. De kwaliteits scores (PSNR) bleven boven de 36 dB en de structurele gelijkenis (SSIM) was boven de 0,92, wat betekent dat het menselijk oog het verschil nauwelijks kan zien. Zelfs toen ze zware aanvallen simuleerden, zoals zware JPEG-compressie of het toevoegen van willekeurige ruis, herstelde het systeem het geheime bericht met een nauwkeurigheid van meer dan 98% in de meeste gevallen.

Het artikel suggereert dat hoewel oudere methoden geweldig waren voor kleine, laag-resolutie afbeeldingen, ze moeite hadden wanneer ze gevraagd werden om de enorme databehoeften van moderne hoog-resolutie afbeeldingen aan te kunnen. Door de afbeelding in blokken te verdelen en elk blok als een kleine, onafhankelijke puzzel te behandelen, bewijst deze nieuwe methode dat je zowel een hoge capaciteit als een hoge kwaliteit kunt hebben. Het is een belangrijke stap voorwaarts, die laat zien dat we de auteursrechten van onze gigantische, high-definition digitale creaties kunnen beschermen zonder de schoonheid ervan op te offeren of het geheime bericht erin te verliezen.

Technische Samenvatting: Hoogcapaciteit Robuuste Watermerktechnologie voor Hoogresolutie Afbeeldingen

Probleemstelling
Bestaande digitale watermerktechnieken zijn overwegend ontworpen voor laagresolutie afbeeldingen (bijv. 128×128 tot 512×512) en zijn beperkt tot vaste, laagcapaciteit watermerken (typisch 30 tot 256 bits). Naarmate de vraag naar AIGC-traceerbaarheid groeit—waarbij het inbedden van substantiële metadata zoals C2PA-manifesten vereist is—hebben huidige methoden moeite om hoogresolutie dragers (bijv. 1024×1024) en hoogcapaciteit payloads (tot 4KB) te verwerken. Bovendien leidt het trainen van deep learning-modellen voor hoogresolutie, hoogcapaciteit scenario's vaak tot een sterke toename van netwerkparameters, wat optimalisatie bemoeilijkt onder hulpbron-beperkte omstandigheden.

Methodologie
De voorgestelde methode pakt deze uitdagingen aan via een blokgewijze strategie en een symmetrische reversibele netwerkarchitectuur:

Blokgewijze Partitionering: Om hoogresolutie afbeeldingen en grote payloads te beheren, partitioneert de methode de afbeelding in lokale blokken en segmenteert het watermerk in bijbehorende onafhankelijke delen. Een hoogresolutie afbeelding wordt verdeeld in $k$ blokken, en het hoogcapaciteit watermerk wordt gesplitst in $k$ segmenten. Dit transformeert het probleem van het inbedden van een groot watermerk in een hoogresolutie afbeelding naar meerdere subproblemen van het inbedden van laagcapaciteit watermerken in laagresolutie blokken. Deze aanpak vermindert het aantal leerbare parameters aanzienlijk, waardoor training mogelijk is zelfs met beperkte GPU-bronnen.
Encoder en Decoder Architectuur:
- Encoder: Maakt gebruik van een reversibele symmetrische architectuur met drie convolutionele lagen. Het verwerkt elk afbeeldingblok en het bijbehorende watermerksegment. De watermerk-tensor wordt op elk convolutioneel laag niveau gekoppeld aan de afbeeldingkenmerken via concatenatie en upsampling.
- Decoder: Gebruikt een symmetrische structuur met drie deconvolutionele lagen om het watermerk uit de ruisige afbeelding te extraheren. Het ontkoppelt watermerkkenmerken van elke convolutionele laag en fuseert deze om het uiteindelijke watermerk te reconstrueren.
- Ruislaag (Noise Layer): Een gecascadeerde ruislaag wordt tussen de encoder en decoder geplaatst om verschillende aanvallen sequentieel te simuleren (bijv. JPEG-compressie gevolgd door Gaussische ruis), waardoor gecombineerde ruis-aanvallen tijdens de training effectief worden nagebootst.
Verliesfunctie (Loss Function): Het optimalisatiedoel combineert vier componenten met gewogen bijdragen:
1. Globale Afbeelding Verlies ( $L_{global}$ ): Mean Squared Error (MSE) tussen de originele en de watermerk-voorziene afbeeldingen om de algehele visuele kwaliteit te waarborgen.
2. Lokaal Afbeelding Verlies ( $L_{local}$ ): Som van de MSE's voor individuele blokken om de visuele kwaliteit in lokale regio's te beperken.
3. Globaal Watermerk Verlies ( $L_{W}$ ): Binary Cross-Entropy (BCE) tussen de originele en de geëxtraheerde watermerken.
4. Lokaal Watermerk Verlies ( $L_{merge}$ ): Som van de BCE's voor individuele watermerksegmenten.
  Deze dual-level (globaal en lokaal) verliesstrategie zorgt voor een balans tussen onzichtbaarheid en robuustheid.

Belangrijkste Bijdragen

Hoogcapaciteit Methode voor Hoogresolutie Afbeeldingen: Het artikel stelt een methode voor die in staat is om een 4KB (32.768 bits) watermerk in 1024×1024 afbeeldingen in te bedden, waarbij een inbeddingspercentage van 0,0313 bpp wordt bereikt. Dit wordt bereikt door de hoogcapaciteit taak te decomponeren in lokale laagcapaciteit taken.
Efficiënt Gebruik van Hulpbronnen bij Training: Door gebruik te maken van een blokgewijze strategie vermindert de methode de netwerkcomplexiteit, waardoor normale training en leren mogelijk is zelfs onder omstandigheden met lage hulpbronnen waar volledige hoogresolutie training onhaalbaar zou zijn.
Verbeterde Robuustheid en Onzichtbaarheid: Het gebruik van een gewogen verliesfunctie die globale en lokale beperkingen combineert, verbetert de algehele visuele kwaliteit en de robuustheid van de afbeelding tegen diverse ruis-aanvallen.
Ondersteuning voor Willekeurige Lengte: Het schema ondersteunt het inbedden en extraheren van watermerken van willekeurige lengtes, mits deze de limiet van 4KB niet overschrijden.

Experimentele Resultaten
Uitgebreide experimenten zijn uitgevoerd op drie datasets (Mirflickr, COCO en BOSSBase) met afbeeldingen die zijn geschaald naar 1024×1024.

Visuele Kwaliteit: Bij een inbeddingssterkte ( $\alpha$ ) van 1,0 bereikte de methode een PSNR van meer dan 36 dB en een SSIM boven de 0,92 over alle datasets. Het verlagen van de inbeddingssterkte naar 0,6 verbeterde de PSNR naar boven de 40 dB en de SSIM naar boven de 0,96, wat het vermogen aantoont om capaciteit tegen kwaliteit af te wegen.
Robuustheid: De methode toonde sterke robuustheid tegen diverse aanvallen:
- JPEG Compressie: De nauwkeurigheid overtrof 98,51%, zelfs bij een kwaliteitfactor (QF) van 50.
- Gaussische Ruis: De nauwkeurigheid overtrof 99,66% met een variantie van 0,02.
- Andere Aanvallen: De methode behaalde een bijna perfecte nauwkeurigheid (>99,99%) tegen Identity, Dropout, Cropout en Gaussische filtering aanvallen. De nauwkeurigheid bleef boven de 96,75% bij Crop en Scaling aanvallen.
Vergelijkende Prestaties: Vergeleken met bestaande methoden (bijv. HiDDeN, StegaStamp, MBRS) biedt de voorgestelde methode het hoogste inbeddingspercentage (0,0313 bpp) terwijl een concurrerende visuele kwaliteit en robuustheid behouden blijft, met name in hoogresolutie scenario's waar andere methoden niet direct toepasbaar zijn of aanzienlijke aanpassing vereisen.

Betekenis en Claims
Het artikel claimt een effectieve en haalbare oplossing te bieden voor de transitie van laagresolutie, laagcapaciteit scenario's naar hoogresolutie, hoogcapaciteit scenario's. Het adresseert specif de uitdagingen van het inbedden van grote metadata (zoals C2PA-manifesten) in hoogresolutie afbeeldingen gegenereerd door AIGC-systemen. De auteurs stellen dat hun blokgewijze strategie en symmetrische reversibele netwerkontwerp succesvol de beperkingen van parameterpieken en vaste-lengte restricties die in de stand van de techniek worden gevonden, overwinnen, waardoor wordt gegarandeerd dat de watermerk-voorziene afbeeldingen een hoge visuele kwaliteit en sterke robuustheid tegen ruis-aanvallen behouden. Het werk valideert dat hoogcapaciteit watermarking haalbaar is in hoogresolutie contexten zonder het vermogen van het netwerk om onder standaard hulpbron-beperkingen te trainen op te offeren.

Technische Samenvatting: Hoogcapaciteit Robuuste Watermerktechnologie voor Hoogresolutie Afbeeldingen

Meer zoals dit