Детальная информация

Целью работы является разработка подхода к встраиванию цифрового водяного знака в изображения на основе машинного обучения, обеспечивающего одновременное повышение визуального качества изображения и устойчивости восстановления водяного знака. Объектом исследования является цифровое изображение как носитель скрытой информации в системах цифрового водяного маркирования. Задачи, решаемые в ходе исследования: 1. Провести анализ существующих методов внедрения цифрового водяного знака, применяющие методы машинного обучения, и оценить их устойчивость к различным типам атак. 2. Разработать нейросетевую модель, способную одновременно обеспечивать высокую точность извлечения скрытой информации и минимальное визуальное искажение изображения, и провести его обучение на наборе изображений. 3. Выполнить экспериментальную оценку качества разработанной модели. 4. Проанализировать влияние различных атак на устойчивость цифрового водяного знака. В ходе выполнения выпускной квалификационной работы проведен сравнительный анализ подходов HiDDeN, RivaGAN и StegaStamp, а также реализован набор атак (сжатие, шумы, фильтрация, размытие, геометрические преобразования и др.) для проверки устойчивости цифрового водяного знака. Предложен каскадный нейросетевой подход, включающий энкодер, сеть улучшения качества и декодер; реализовано встраивание сообщения длиной 768 бит (с избыточностью за счет повторения). Выполнено обучение на наборе изображений Flickr8k и проведена оценка по метрикам PSNR, SSIM и Bit Accuracy. В результате работы в «чистом» сценарии получены высокие показатели качества и корректности извлечения цифрового водяного знака (Bit Accuracy = 97.38%, PSNR = 45 дБ, SSIM = 0.99). Показано, что метод демонстрирует хорошую устойчивость к ряду типовых искажений (шум, размытие, цветовые изменения), при этом наиболее сложными остаются воздействия, связанные со сжатием JPEG, обрезкой и некоторыми геометрическими преобразованиями. Полученные результаты могут быть использованы как основа для проектирования систем защиты визуального контента (контроль распространения, подтверждение авторства и отслеживание источников) и для дальнейших исследований по повышению устойчивости к геометрическим атакам и сильному сжатию. Для достижения данных результатов были разработаны программа с моделью каскадной архитектуры, программа для обучения модели, а также при обучении модели использовалась технология GPU-параллелизма на базе CUDA.

The purpose of the work is to develop an approach to embedding a digital watermark in images based on machine learning, which simultaneously improves the visual quality of the image and the stability of watermark restoration. The object of the study is a digital image as a carrier of hidden information in digital watermarking systems. Tasks to be solved during the research: 1. To analyze the existing methods of digital watermark implementation using machine learning methods and assess their resistance to various types of attacks. 2. To develop a neural network model capable of simultaneously providing high accuracy of extraction of hidden information and minimal visual distortion of the image, and to train it on a set of images. 3. Perform an experimental assessment of the quality of the developed model. 4. Analyze the impact of various attacks on the stability of a digital watermark. During the graduate qualification work, a comparative analysis of the HiDDeN, RivaGAN and StegaStamp approaches was carried out, and a set of attacks (compression, noise, filtering, blurring, geometric transformations, etc.) was implemented to test the stability of a digital watermark. A cascading neural network approach is proposed, including an encoder, a quality improvement network and a decoder; embedding of a message with a length of 768 bits (with redundancy due to repetition) is implemented. Training was performed on a set of Flickr8k images and evaluation was performed using PSNR, SSIM, and Bit Accuracy metrics. As a result of the work, in a «clean» scenario, high quality and correctness indicators of digital watermark extraction was obtained (Bit Accuracy = 97.38%, PSNR = 45 dB, SSIM = 0.99). It is shown that the method demonstrates good resistance to a number of typical distortions (noise, blur, color changes), while the effects associated with JPEG compression, cropping, and some geometric transformations remain the most difficult. The results obtained can be used as a basis for designing visual content protection systems (distribution control, authorship verification, and source tracking) and for further research to increase resistance to geometric attacks and severe compression. To achieve these results, a program with a cascade architecture model, a program for model training, and CUDA-based GPU parallelism technology were developed.