近日，太原理工大学计算机科学与技术学院牛保宁教授团队在信息安全与数字水印领域取得最新进展，相关研究成果以论文“FreqTransNet: A Frequency-aware Transformer Network for Robust Image Watermarking”发表在国际权威期刊IEEE Transactions on Dependable and Secure Computing（IEEE TDSC）。
该期刊是中国计算机学会（CCF）推荐的A类期刊，同时也是IEEE旗下在信息安全与系统可靠性领域的顶级期刊之一，对创新性、系统性与实用性具有极高要求。该论文的第一作者是太原理工大学计算机科学与技术学院博士研究生卢晨琛，太原理工大学计算机科学与技术学院张昊副教授为通讯作者，共同作者还有太原理工大学计算机科学与技术学院牛保宁教授和太原理工大学软件学院冯秀芳教授。
数字水印技术作为一种重要的主动认证手段，在数字版权保护、内容完整性验证与多媒体安全溯源等场景中具有广泛应用价值。随着图像在网络平台中的高频传播与复杂编辑，水印系统不仅需要保证嵌入后图像的视觉质量，还必须在压缩、噪声、模糊、裁剪及缩放等复杂干扰条件下保持较高的提取稳定性。传统水印方法通常依赖人工设计的嵌入策略与强度参数，难以充分适应复杂图像分布与多样化攻击环境。而现有基于卷积神经网络的深度水印方法虽然具备端到端优化优势，但在全局依赖建模和复杂结构表征方面仍存在一定局限。针对上述问题，研究团队提出了一种融合卷积模块、Transformer结构与频域增强机制的鲁棒图像水印模型FreqTransNet，为提升复杂场景下图像水印的鲁棒性与泛化能力提供了新的解决思路。
图1 所提算法框架的详细示意图
该研究基于经典的encoder-noise-decoder水印框架展开，在编码端协同引入快速傅里叶变换模块与自注意力机制，使模型能够同时捕获图像的频域特征与全局上下文关系，有效突破传统卷积网络感受野有限、局部建模能力偏强而全局表征不足的问题。研究表明，这种频域增强与全局建模相结合的结构设计，不仅有助于提高水印嵌入的自适应性，也显著增强了模型对多种常见攻击的抵抗能力，从而提升了图像水印系统在真实复杂环境中的稳定性和实用性。
图2 END与基于流的框架的网络结构对比图
大量实验结果表明，FreqTransNet 在视觉质量与鲁棒性两个核心指标上均优于现有主流方法。论文摘要显示，与最佳基线相比，该方法在PSNR指标上实现了3.09 dB的提升，由47.46 dB提高至50.55 dB；同时，在多种攻击场景下，水印提取准确率始终保持在97%以上，表现出较强的应用潜力与稳定性。
研究团队进一步围绕高斯噪声、椒盐噪声、高斯模糊、中值模糊、JPEG 压缩、Cropout、Dropout 和缩放等多类失真开展了系统评估。值得关注的是，在模拟真实社媒传输被压缩的实验中，FreqTransNet依然保持了稳定的水印提取性能，体现出该方法在实际图像压缩与传输环境中的良好适应能力。
TABLE 1
该成果表明，将频域增强机制与Transformer全局建模能力有机结合，是提升鲁棒图像水印性能的一条有效路径。相关研究不仅为数字媒体版权保护、内容安全认证和可信多媒体传输提供了新的技术支撑，也为深度学习水印模型在复杂真实环境中的应用拓展了新思路。未来，研究团队将继续围绕鲁棒水印、可信媒体安全与智能内容认证等方向开展深入研究，推动相关成果在数字版权保护、网络内容安全与实际工业场景中的进一步落地。
