深圳北理莫斯科大学|深度鲁棒可逆水印 (TPAMI 2026)

鲁棒可逆水印是一种能够在无损信道下完美恢复原始载体，并在有损信道下鲁棒提取水印的水印方法，在远程医疗、司法取证以及军事通信等领域具有重要的应用价值。以往的鲁棒可逆水印方案大多基于传统方法，例如鲁棒特征直方图平移和两阶段嵌入策略。这类水印方法在面对复杂失真时往往难以应对。此外，现有方案在鲁棒性、可逆性、视觉质量与时间复杂度之间难以实现良好的权衡。

针对上述挑战，本文提出深度鲁棒可逆水印（DRRW）方案。该方案的核心思路源于可逆神经网络（INN）：鉴于INN在图像水印与隐写任务中的优异表现，及其天然具备的理论可逆性，使其成为解决可逆水印问题的理想候选。然而，现有基于INN的信息隐藏方法多采用实值流设计，难以回避量化存储所引发的信息损失问题，而这一损失将直接破坏逆映射的完美性。

图1 训练框架

为此，本文所提出的DRRW主要采用了一种整数可逆水印网络，如图1所示，该网络能够处理整数离散型的数据分布，从根本上消除了由量化引起的不可逆问题，值得注意的是，DRRW在训练时采用端到端的训练框架，能够利用对抗训练来增强对不同失真的鲁棒性。

图2 推理框架

在推理阶段，如图2所示，DRRW采用了一种两阶段的嵌入策略。首先，将水印与载体图像共同输入网络，生成一个可能存在像素溢出的含密图像及相应的隐变量。由于该含密图像可能存在像素值越界，需对溢出像素及隐变量进行无损压缩。本文采用算术编码对这部分辅助信息进行压缩，随后通过高容量的可逆信息隐藏方法，将压缩后的辅助信息嵌入到裁剪后的含密图像中，从而实现完整的可逆嵌入过程。更为关键的是，为了将辅助信息比特流的长度压缩至可接受的范围内，本文引入了溢出惩罚损失项、正则化损失项以及动态损失调整策略。这些设计显著降低了辅助比特流的长度，从而最大程度地提升了可逆嵌入的成功率。

在实验部分，本文将所提出的DRRW方案与现有主流的两阶段鲁棒可逆水印方法进行了全面对比。评估指标涵盖视觉质量、辅助比特流长度、鲁棒性以及时间复杂度四个关键维度。实验结果表明，DRRW在上述各项指标上均实现了对当前方案的全面超越，并成功在大规模数据集上完成了可逆嵌入，验证了其优越的性能与良好的泛化能力。项目地址：https://github.com/chenoly/Deep-Robust-Reversible-Watermark

表1 视觉质量

表2 时间复杂度(s)

表3 辅助比特流长度(bits)

图3 不同失真下的鲁棒性

论文信息

该研究成果已被国际期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IEEE TPAMI）录用并在线发表。论文作者依次为：陈家乐（北京理工大学&深圳北理莫斯科大学）、王伟（澳门理工大学）、施重阳（北京理工大学）、董理（宁波大学）、李元满（深圳大学）、胡希平（北京理工大学&深圳北理莫斯科大学）。

J. Chen, W. Wang, C. Shi, L. Dong, Y. Li, and X. Hu, "Deep Robust Reversible Watermarking," IEEE Transactions on Pattern Analysis and Machine Intelligence, early access, 2026, doi: 10.1109/TPAMI.2026.3670969.

供稿：陈家乐

义务编辑与校对：薛禹良博士