README-鲁棒错误感知数字签名框架通过深度水印模型-计算机科学-深度学习-数字签名.pdfVIP

README：鲁棒错误感知数字签名框架通过深度水印模型

HyunwookChoiSangyunWonDaeyeonHwangJunhyeokChoi

KoreaUniversity

https://readme-2025.github.io

Abstract需求的强大框架。

基于深度学习的水印技术已作为图像认证和保护的一种然而，大多数现有的深度水印方法都面临一个共同

有前景的解决方案出现。然而，现有的模型受限于低嵌的限制：它们的嵌入容量相对较低。早期的工作(Zhu

入容量和对位级错误的脆弱性，使得它们不适合用于如etal.2018;Tancik,Mildenhall,andNg2020;Jia,Fang,

数字签名等需要超过2048位无误数据的加密应用。在本andZhang2021;Zhangetal.2024)通常编码大约30

本文中，我们提出了阅读说明（RobustError-AwareDigital到64位的信息，这可能足以用于版权标记或简单的

译SignatureviaDeepWaterMarkingModEl），一个能够标识符，但不足以满足实际安全应用所需的容量。数

在图像中实现稳健、可验证且容错的数字签名的新框架。字签名(DiffieandHellman1976;Rivest,Shamir,and

中我们的方法结合了一种简单而有效的基于裁剪的容量

Adleman1978;Johnson,Menezes,andVanstone2001)

1扩展机制与ERPA(错误报告rorPAintingModule)，这

v是一个轻量级的错误校正模块，设计用于使用不同的循需要至少2048位可靠可提取的数据。即使理论上可以

5实现如此高的容量，在现实世界的失真下确保零比特

9环子和序列(DCSS)定位并纠正位错误。无需对现有的错误的挑战也变得越来越难以克服。因此，实现稳健、

4预训练水印模型进行任何微调，README显著提高了

4嵌入单张图像中的2048位数字签名时的零比特误码率公开可检测且不可伪造的水印仍然极具挑战性(Fairoze

0.(Z.B.I.R)，即使在现实世界的失真下也能从1.2%提升etal.2025)。

7到86.3%。此外，我们使用基于感知哈希的签名验证确为应对这一挑战，我们提出了一种新方法，在保持

0

5保了公共可验证性和对抗篡改的鲁棒性。提出的框架为现有深度水印模型的鲁棒性的同时，实现了误差感知数

2深度水印解锁了一类新的高保证应用，弥合了信号级水字签名。我们的方法引入了一个简单的裁剪策略来增

:印和密码安全之间的差距。

v加嵌入容量，并添加了一个轻量级模块ERPA(估计量

i

xrorPAintingModule)，以有效修正解码比特序列中的错

r介绍误。对于我们的ERPA编码器，我们还定义了一种新

a

近期基于深度学习的水印技术取得了显著进展，作的64位序列排列，称为不同的循环子和序列（DCSS），

为图像保护和认证的一种有前景的方法引起了广泛关该序列优化了错误定位和纠正，并且单层解码器可以

注。与传统的信号处理方