當(dāng)前互聯(lián)網(wǎng)飛速發(fā)展，越來(lái)越多的公司、組織和個(gè)人都選擇在網(wǎng)上展示和分享圖像。為了保護(hù)圖像版權(quán)，大家都會(huì)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(duì)水印的各種處理技術(shù)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(lái)越多人的研究興趣。

今天的文章中，我們會(huì)介紹一種更為強(qiáng)大的水印去除器。這次我們借助生成對(duì)抗網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，進(jìn)一步提升水印去除器的性能，從而達(dá)到更為理想的去除效果。

生成對(duì)抗網(wǎng)絡(luò)的前世今生

生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN），是由Ian Goodfellow等人在2014年首次提出。一般來(lái)說(shuō)，生成對(duì)抗網(wǎng)絡(luò)由兩部分組成：生成器（Generator）和判別器（Discriminator）。生成器通過(guò)接收輸入數(shù)據(jù)，學(xué)習(xí)訓(xùn)練數(shù)據(jù)的分布來(lái)生成目標(biāo)數(shù)據(jù)。判別器通常是一個(gè)二分類模型，用來(lái)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(duì)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(shí)，讓判別器無(wú)法區(qū)分真假；而判別器的目的是盡可能地識(shí)別出生成器生成的數(shù)據(jù)。在生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，上面的對(duì)抗場(chǎng)景會(huì)持續(xù)進(jìn)行，生成器和判別器的能力都得到了不斷提升。訓(xùn)練的過(guò)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(shí)數(shù)據(jù)，z是生成器的輸入數(shù)據(jù)。最后訓(xùn)練結(jié)束我們就可以使用生成器來(lái)生成以假亂真的數(shù)據(jù)。一個(gè)直觀的生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。

生成對(duì)抗網(wǎng)絡(luò)近些年被大量應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域，根據(jù)具體應(yīng)用不同可以分為圖像生成和圖像轉(zhuǎn)換兩種類型的任務(wù)。圖像生成可以看成是一種學(xué)后聯(lián)想任務(wù)，其中的代表是圖像自動(dòng)生成模型（DCGAN），網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。這類任務(wù)只給出我們希望生成的目標(biāo)圖像，此時(shí)生成器的輸入是服從某一分布的噪聲，通過(guò)和判別器的對(duì)抗訓(xùn)練，將其轉(zhuǎn)換成目標(biāo)圖像的數(shù)據(jù)分布。

圖像轉(zhuǎn)換可以看成是一種目標(biāo)引導(dǎo)任務(wù)，其中的代表是圖像超分辨率模型（SRGAN），SRGAN的網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。這類任務(wù)除了給出我們希望生成的目標(biāo)圖像外，還會(huì)給出轉(zhuǎn)換前的原始圖像，此時(shí)生成器的輸入變?yōu)樵紙D像，生成器在和判別器的對(duì)抗訓(xùn)練過(guò)程中還要同時(shí)保證生成的圖像和目標(biāo)圖像盡可能的相近。

生成對(duì)抗網(wǎng)絡(luò)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(xùn)練上優(yōu)化的WGAN和LSGAN，通過(guò)對(duì)輸入添加條件限制來(lái)引導(dǎo)學(xué)習(xí)過(guò)程的Conditional GAN，圖像生成任務(wù)中的BigGAN和StyleGAN，圖像轉(zhuǎn)換任務(wù)中的Pixel2Pixel和CycleGAN等等。期待未來(lái)生成對(duì)抗網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域給我們帶來(lái)更多的驚喜。

生成對(duì)抗網(wǎng)絡(luò)vs圖像水印

上一節(jié)中我們介紹了生成對(duì)抗網(wǎng)絡(luò)的核心思想和一些應(yīng)用，現(xiàn)在我們嘗試將生成對(duì)抗網(wǎng)絡(luò)用于圖像的水印去除。去水印的目的是將帶水印的圖像轉(zhuǎn)變?yōu)闊o(wú)水印的圖像，這本質(zhì)上也是一種圖像轉(zhuǎn)換任務(wù)。

因此生成器的輸入為帶水印的圖像，輸出為無(wú)水印的圖像；而判別器用于識(shí)別結(jié)果到底是原始真實(shí)的無(wú)水印圖像，還是經(jīng)過(guò)生成器生成的無(wú)水印圖像。通過(guò)兩者之間不斷的對(duì)抗訓(xùn)練，生成器生成的無(wú)水印圖像變得足夠“以假亂真”，從而達(dá)到理想的去水印效果。

在實(shí)際的實(shí)踐過(guò)程中，我們還做了一系列優(yōu)化改進(jìn)。下面我們分別介紹生成器和判別器的具體結(jié)構(gòu)以及訓(xùn)練細(xì)節(jié)。在生成器的選擇上，我們繼續(xù)使用U-net網(wǎng)絡(luò)結(jié)構(gòu)，U-net通過(guò)在輸入和輸出之間添加跳躍連接，融合了低層級(jí)特征和高層級(jí)特征。與直接的編解碼器結(jié)構(gòu)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(shí)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(luò)。與傳統(tǒng)的判別器直接輸出整張圖像的真假結(jié)果不同，我們通過(guò)對(duì)圖像區(qū)域級(jí)別的判別，可以更好地對(duì)圖像上的無(wú)水印和有水印部分進(jìn)行區(qū)分。

此外，我們采用了Conditional GAN的思想，判別器在對(duì)原始真實(shí)的無(wú)水印圖像和生成器生成的無(wú)水印圖像進(jìn)行區(qū)分的時(shí)候會(huì)加入帶水印圖像的條件信息，從而進(jìn)一步提升生成器和判別器的學(xué)習(xí)性能。生成器和判別器的具體結(jié)構(gòu)和細(xì)節(jié)如下圖所示。

生成器生成的無(wú)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(shí)的無(wú)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(duì)抗的過(guò)程中加入訓(xùn)練。最終的損失函數(shù)為

其中的條件對(duì)抗損失為

最終我們使用生成器作為水印去除器實(shí)現(xiàn)圖像上的水印去除。為了對(duì)比和單一全卷積網(wǎng)絡(luò)實(shí)現(xiàn)的水印去除器的效果，我們可視化了一些去水印結(jié)果，左列是輸入的水印區(qū)域，中間列是單一全卷積網(wǎng)絡(luò)得到的無(wú)水印區(qū)域，右列是生成對(duì)抗網(wǎng)絡(luò)得到的無(wú)水印區(qū)域。從可視化的結(jié)果可以看出，經(jīng)過(guò)對(duì)抗訓(xùn)練后的生成器對(duì)水印的去除效果更優(yōu)。

寫在最后

圖像水印去除問(wèn)題吸引了越來(lái)越多人的研究興趣，本篇文章介紹了如何利用生成對(duì)抗網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)水印自動(dòng)去除。去水印研究的目的是為了驗(yàn)證水印的魯棒性，更好地提升水印的反去除能力。如何設(shè)計(jì)一種AI去不掉的水印是一個(gè)極具挑戰(zhàn)的問(wèn)題，接下來(lái)我們會(huì)在這方面做一些嘗試，希望能夠?yàn)榘鏅?quán)保護(hù)盡一份力。