《Knowledge-Based Systems》：GSGM: Gradient space guidance method for single-image visible watermark removal
编辑推荐：
本文提出梯度空间引导法（GSGM）解决单图像可见水印去除中的定位与恢复难题，通过梯度空间优化水印定位，双分支增强单元提升背景重建，三维注意力机制增强特征融合，实验表明在LOGO-L、LOGO-H、LOGO-Gray数据集上PSNR、SSIM、LPIPS指标优于现有方法。
孟斌|周继柳|杨浩然|刘家勇|蒲一飞
四川大学网络科学与工程学院，成都，610207，四川，中国
摘要
数字水印是一种广泛用于保护图像版权的技术。随着水印技术的发展，版权保护的研究逐渐扩展到了水印去除领域，公开的水印去除技术应运而生，以增强水印嵌入技术的鲁棒性。目前，常见的可见水印去除方法使用U-net来进行水印定位和背景恢复。然而，这些方法经常面临水印检测不准确和背景恢复效果不佳的问题。这一问题源于大多数现有研究忽略了这两项任务之间的复杂关联：精确的水印定位依赖于更准确的背景特征提取，而有效的背景恢复又依赖于更精确的水印定位。为了解决这个问题，我们设计了一种梯度空间引导方法（GSGM），以连接这两个子任务。一方面，该方法利用梯度信息来捕捉更准确的水印边界和位置特征，从而提高水印定位的效果；另一方面，我们引入了双分支结构和梯度图来增强背景细节的重建。此外，得益于精心设计的增强单元和注意力模块，我们的方法取得了出色的性能。在三个具有挑战性的基准数据集上的广泛实验证明了我们方法在克服现有方法局限性方面的有效性。
引言
随着计算机和互联网技术的不断进步，各种社交模式和媒体形式得到了持续发展。其中，图像作为一种重要的信息载体，在我们的日常生活中无处不在。然而，随着各种图像编辑技术和社交软件的发展，图像滥用和非法修改的行为日益普遍，使得图像版权保护成为一个热点问题。数字图像水印技术作为一种解决方案，通过在图像中嵌入水印信息来明确所有权，从而缓解版权纠纷。数字水印大致可以分为可见水印和不可见水印两类。尽管如此，数字水印仍面临一些未解决的问题。首先，水印没有时效性和固有的有效期，这给清除过期水印带来了很大挑战；其次，水印创建的门槛低且成本低，导致水印滥用和伪造现象频发；最后，水印的鲁棒性也是一个重要的问题。
现有的可见水印去除方法通常依赖于图像修复技术，通过再生遮盖区域内的背景内容来实现水印去除。然而，当前方法往往忽略水印图像的高频细节，导致水印检测不准确或不完整。此外，一些方法直接依赖预先提供的水印位置掩模来进行后续去除。同时，现有方法通常存在水印去除不完全或背景恢复不够精细的问题，最终无法获得视觉上令人满意的结果。
本文提出了一种梯度空间引导方法（GSGM）。首先，我们从水印图像中提取高频细节信息，并在梯度空间中捕捉边界轮廓信息，从而更准确地预测水印掩模，为后续的水印去除奠定基础。接着，我们设计了具有双路径结构的梯度引导增强单元（EU），以解决背景重建不够精细的问题。此外，我们还引入了增强型联合注意力（EJA）机制，以捕捉更多有价值的特征，提高模型区分水印和原始图像信息的能力。我们的方法对于黑白和彩色水印都取得了优异的去除效果，无论它们的比例和位置如何随机。一方面，该方法可以有效解决去除过期和非法水印的问题；另一方面，从数字水印对抗游戏的视角来看，该方法可以促进数字水印嵌入技术的进一步发展，实现更强大的版权保护目标。我们的主要贡献如下：
1.我们提出了一种由梯度空间引导的单图像可见水印去除方法。该方法利用梯度空间中的丰富高频信息进行编码和解码指导，使得在梯度图中更容易识别水印的位置和边界，从而获得更准确和精确的粗略去除结果。
2.我们引入了一个增强单元（EU），在细化阶段重建被水印覆盖的背景区域。在该单元内部，采用梯度引导的双分支结构来交换高频信息，实现更精细的水印区域重建。
3.为了进一步优化可见水印去除性能，我们在EU中设计了三维增强型联合注意力模块。一方面，该模块可以关注通道维度中更关键的特征；另一方面，通过2D空间注意力，它可以有选择地关注水印内部和外部不同的位置特征，从而实现更高效的计算效果。
我们的方法在三个数据集上与最先进的方法（SOTA）进行了比较。实验表明，我们的方法在主观视觉评估和客观指标（如峰值信噪比（PSNR）、结构相似性（SSIM）[1] 和学习感知图像块相似性（LPIPS）[2]）方面均取得了最佳结果。
在接下来的部分中，我们将在第2节介绍相关先前的工作，在第3节详细解释我们的核心方法，在第4节展示实验结果和分析，在第5节进行总结。
部分内容摘录
数字图像水印与去除
数字图像水印是一种用于版权保护的技术，主要分为两类：可见水印和不可见水印。可见水印[3]，[4]在视觉上是可感知的，将彩色或黑白符号以一定的透明度嵌入到载体图像的任意位置。同时，它们可以接受基本的图像处理操作，如缩放和旋转。相比之下，不可见水印[5]，[6]在视觉上是不可察觉的
提出的方法
在本文中，我们将可见水印去除视为一种高级的图像修复任务，其目的是恢复被水印遮挡的背景内容。与具有已知位置掩码的经典图像修复任务不同，我们的工作侧重于自动检测水印位置和水印掩模的构建。此外，我们发现将水印图像转换到梯度空间更有利于边缘检测和可见水印的定位
实验
在本节中，我们将介绍数据集和实验的具体细节。然后，我们将在不同数据集上将我们的方法与其他最先进的方法进行比较。最后，我们还将展示消融实验，包括梯度引导机制、增强模块、损失权重和注意力机制，以证明我们提出模型的有效性。我们使用的数据集包括LOGO-L、LOGO-H和LOGO-Gray [32]。实验结果
结论
在本文中，我们提出了一种用于单图像可见水印去除的梯度空间引导方法，取得了令人满意的结果。具体来说，我们的方法在梯度空间中捕获了更准确的水印掩模边缘位置信息。得益于增强单元和增强损失的应用，实现了更详细的背景重建。同时，增强的联合注意力机制有助于网络关注更重要的特征
CRediT作者贡献声明
孟斌：撰写——原始草稿、可视化、验证、软件、方法论、研究。周继柳：监督、资源提供。杨浩然：可视化、研究。刘家勇：监督、资源提供。蒲一飞：监督、研究。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本工作部分得到了国家自然科学基金（项目编号62171303）的支持。
