當前互聯(lián)網(wǎng)飛速發(fā)展，越來越多的公司、組織和個人都選擇在網(wǎng)上展示和分享圖像。為了保護圖像版權，大家都會選擇在圖像上打上透明或者半透明的水印。隨著水印被廣泛地使用，針對水印的各種處理技術也在不斷發(fā)展，如何有效去除圖像上的水印引發(fā)了越來越多人的研究興趣。

今天的文章中，我們會介紹一種更為強大的水印去除器。這次我們借助生成對抗網(wǎng)絡來實現(xiàn)，進一步提升水印去除器的性能，從而達到更為理想的去除效果。

生成對抗網(wǎng)絡的前世今生

生成對抗網(wǎng)絡（Generative Adversarial Networks，GAN），是由Ian Goodfellow等人在2014年首次提出。一般來說，生成對抗網(wǎng)絡由兩部分組成：生成器（Generator）和判別器（Discriminator）。生成器通過接收輸入數(shù)據(jù)，學習訓練數(shù)據(jù)的分布來生成目標數(shù)據(jù)。判別器通常是一個二分類模型，用來判別生成器生成數(shù)據(jù)的真假性。

我們可以將生成器和判別器看作互相對抗的雙方，生成器的目的是令生成的數(shù)據(jù)盡可能的真實，讓判別器無法區(qū)分真假；而判別器的目的是盡可能地識別出生成器生成的數(shù)據(jù)。在生成對抗網(wǎng)絡的訓練過程中，上面的對抗場景會持續(xù)進行，生成器和判別器的能力都得到了不斷提升。訓練的過程可以用如下公式表示：

其中G和D分別表示生成器和判別器，x為真實數(shù)據(jù)，z是生成器的輸入數(shù)據(jù)。最后訓練結束我們就可以使用生成器來生成以假亂真的數(shù)據(jù)。一個直觀的生成對抗網(wǎng)絡結構如下圖所示。

生成對抗網(wǎng)絡近些年被大量應用于計算機視覺領域，根據(jù)具體應用不同可以分為圖像生成和圖像轉換兩種類型的任務。圖像生成可以看成是一種學后聯(lián)想任務，其中的代表是圖像自動生成模型（DCGAN），網(wǎng)絡結構如下圖所示。這類任務只給出我們希望生成的目標圖像，此時生成器的輸入是服從某一分布的噪聲，通過和判別器的對抗訓練，將其轉換成目標圖像的數(shù)據(jù)分布。

圖像轉換可以看成是一種目標引導任務，其中的代表是圖像超分辨率模型（SRGAN），SRGAN的網(wǎng)絡結構如下圖所示。這類任務除了給出我們希望生成的目標圖像外，還會給出轉換前的原始圖像，此時生成器的輸入變?yōu)樵紙D像，生成器在和判別器的對抗訓練過程中還要同時保證生成的圖像和目標圖像盡可能的相近。

生成對抗網(wǎng)絡的發(fā)展非常迅速，近些年出現(xiàn)了各式各樣GAN的變種，例如在訓練上優(yōu)化的WGAN和LSGAN，通過對輸入添加條件限制來引導學習過程的Conditional GAN，圖像生成任務中的BigGAN和StyleGAN，圖像轉換任務中的Pixel2Pixel和CycleGAN等等。期待未來生成對抗網(wǎng)絡在計算機視覺領域給我們帶來更多的驚喜。

生成對抗網(wǎng)絡vs圖像水印

上一節(jié)中我們介紹了生成對抗網(wǎng)絡的核心思想和一些應用，現(xiàn)在我們嘗試將生成對抗網(wǎng)絡用于圖像的水印去除。去水印的目的是將帶水印的圖像轉變?yōu)闊o水印的圖像，這本質上也是一種圖像轉換任務。

因此生成器的輸入為帶水印的圖像，輸出為無水印的圖像；而判別器用于識別結果到底是原始真實的無水印圖像，還是經(jīng)過生成器生成的無水印圖像。通過兩者之間不斷的對抗訓練，生成器生成的無水印圖像變得足夠“以假亂真”，從而達到理想的去水印效果。

在實際的實踐過程中，我們還做了一系列優(yōu)化改進。下面我們分別介紹生成器和判別器的具體結構以及訓練細節(jié)。在生成器的選擇上，我們繼續(xù)使用U-net網(wǎng)絡結構，U-net通過在輸入和輸出之間添加跳躍連接，融合了低層級特征和高層級特征。與直接的編解碼器結構相比，能夠保留更多的圖像背景信息，保證去除水印后的圖像的真實性。

在判別器方面，我們使用了基于區(qū)域判別的全卷積網(wǎng)絡。與傳統(tǒng)的判別器直接輸出整張圖像的真假結果不同，我們通過對圖像區(qū)域級別的判別，可以更好地對圖像上的無水印和有水印部分進行區(qū)分。

此外，我們采用了Conditional GAN的思想，判別器在對原始真實的無水印圖像和生成器生成的無水印圖像進行區(qū)分的時候會加入帶水印圖像的條件信息，從而進一步提升生成器和判別器的學習性能。生成器和判別器的具體結構和細節(jié)如下圖所示。

生成器生成的無水印圖像除了要令判別器分辨不了真假之外，還需要保證和真實的無水印圖像盡可能接近。為此我們組合一范數(shù)損失（L1 Loss）和感知損失（Perceptual Loss）作為內(nèi)容損失，在生成器和判別器對抗的過程中加入訓練。最終的損失函數(shù)為

其中的條件對抗損失為

最終我們使用生成器作為水印去除器實現(xiàn)圖像上的水印去除。為了對比和單一全卷積網(wǎng)絡實現(xiàn)的水印去除器的效果，我們可視化了一些去水印結果，左列是輸入的水印區(qū)域，中間列是單一全卷積網(wǎng)絡得到的無水印區(qū)域，右列是生成對抗網(wǎng)絡得到的無水印區(qū)域。從可視化的結果可以看出，經(jīng)過對抗訓練后的生成器對水印的去除效果更優(yōu)。

寫在最后

圖像水印去除問題吸引了越來越多人的研究興趣，本篇文章介紹了如何利用生成對抗網(wǎng)絡來實現(xiàn)水印自動去除。去水印研究的目的是為了驗證水印的魯棒性，更好地提升水印的反去除能力。如何設計一種AI去不掉的水印是一個極具挑戰(zhàn)的問題，接下來我們會在這方面做一些嘗試，希望能夠為版權保護盡一份力。