DOI: https://doi.org/10.1109/tmm.2026.3651109
تاريخ النشر: 2026-01-01
المؤلف: Jianbin Ji وآخرون
الموضوع الرئيسي: تقنيات التشفير المتقدمة وإضافة العلامات المائية
نظرة عامة
تقدم الورقة نهجًا جديدًا لتضمين العلامات المائية في الفيديو من خلال تقديم شبكة عميقة قابلة للعكس لتضمين العلامات المائية في الفيديو (DINVMark)، حيث تعالج التحديات الحرجة في هذا المجال مثل سعة التضمين والصلابة، خاصة في سياق ضغط الفيديو عالي الكفاءة (HEVC). قام المؤلفون بتصميم طبقة ضوضاء متخصصة تحاكي ضغط HEVC، مما يعزز كل من سعة التضمين وصلابة العلامة المائية ضد الهجمات المختلفة.
يستخدم DINVMark بنية شبكة عصبية قابلة للعكس (INN)، حيث يشارك المشفر والمفكك نفس الإطار الهيكلي لتضمين واستخراج العلامة المائية. يسهل هذا التصميم ارتباطًا وثيقًا بين العمليتين، مما يؤدي إلى تحسين الدقة في استخراج العلامة المائية. تشير النتائج التجريبية إلى أن الطريقة المقترحة تعزز بشكل كبير من صلابة العلامة المائية مع الحفاظ على جودة الفيديو وزيادة كبيرة في سعة تضمين العلامة المائية.
مقدمة
في عصر المعلومات، يعد حماية البيانات وضمان الاتصال الآمن أمرًا بالغ الأهمية، حيث تلعب تقنيات إخفاء المعلومات مثل التشفير الرقمي وتضمين العلامات المائية أدوارًا حاسمة. يتضمن التشفير إخفاء معلومات سرية داخل الوسائط الرقمية لمنع الكشف، مما يجعله مناسبًا للتواصل السري. من ناحية أخرى، يركز تضمين العلامات المائية على الصلابة، مما يسمح بالاستخراج الموثوق للعلامات المائية المضمنة حتى بعد عمليات مثل الضغط، وبالتالي دعم التطبيقات مثل حماية حقوق الطبع والنشر والتحقق من أصالة المحتوى. لقد حسنت التطورات الأخيرة في التعلم العميق بشكل كبير من أداء تضمين واستخراج العلامات المائية، مما يحسن من المرونة ضد الهجمات مع الحفاظ على الجودة البصرية لمحتوى الوسائط المتعددة.
يمكن تصنيف تضمين العلامات المائية الرقمية إلى نوعين مرئي وغير مرئي. العلامات المائية المرئية يمكن إدراكها وهي أكثر مقاومة للهجمات غير البشرية ولكن يمكن أن تؤدي إلى تدهور الجودة البصرية وقد تفقد أثناء القص. العلامات المائية غير المرئية، التي لا تؤثر على المحتوى الأصلي، يمكن تصنيفها بشكل أكبر إلى تضمين العلامات المائية في المجال المكاني، المجال المتحول، والمجال المضغوط. توفر طرق المجال المكاني كفاءة عالية ولكنها عرضة للهجمات الهندسية، بينما توفر تقنيات المجال المتحول، باستخدام طرق مثل تحويل جيب التمام المنفصل (DCT) وتحويل الموجات المنفصلة (DWT)، مقاومة أفضل للهجمات الشائعة ولكنها أكثر تعقيدًا. يدمج تضمين العلامات المائية في المجال المضغوط مع عمليات ترميز الفيديو، محققًا كفاءة جيدة في التضمين ولكن يفتقر إلى الصلابة ضد هجمات إعادة الضغط. لقد حسنت أساليب التعلم العميق، وخاصة استخدام الشبكات العصبية التلافيفية (CNNs) والشبكات التنافسية التوليدية (GANs)، من تضمين العلامات المائية من خلال تمكين الخوارزميات من تعلم مواقع التضمين المثلى لكل من الشفافية والصلابة، على الرغم من أن التحديات لا تزال قائمة في مجال تضمين العلامات المائية في الفيديو المتطور.
طرق
في هذا القسم، يقدم المؤلفون تقييمًا شاملاً لنظام تضمين العلامات المائية DINVMark مقارنة بالطرق الحالية، باستخدام مقاييس مثل نسبة ذروة الإشارة إلى الضوضاء (PSNR)، تشابه بقعة الصورة المدركة المتعلم (LPIPS)، دقة الموقع الزمني (tLP)، والدقة (ACC). تشير النتائج إلى أن DINVMark يتفوق في دقة استخراج العلامات المائية عبر مجموعات بيانات مختلفة، محققًا دقة 100% تحت عدة هجمات تشويه، بما في ذلك متوسط الإطارات، إسقاط الإطارات، والضغط (H.264/AVC و HEVC). تم تسليط الضوء على بنية شبكة INN وتصميم طبقة التشويه كعوامل رئيسية تساهم في صلابة DINVMark، خاصة في الحفاظ على سلامة العلامة المائية تحت ظروف ضغط عالية.
كما يقوم المؤلفون بتحليل تأثير شكل العلامة المائية على الأداء، مشيرين إلى أن DINVMark أكثر فعالية مع العلامات المائية المستطيلة المنتظمة (مثل 8×8، 16×16) مقارنة بالأشكال غير المنتظمة، التي تتطلب طبقات خطية إضافية قد تعيق الارتباط بين المشفر والمفكك. تظهر النتائج التجريبية أن DINVMark يحافظ على دقة عالية حتى عند مستويات ضغط متزايدة، مع معدل دقة ملحوظ يبلغ 90% عند معلمة الكوانتيزر (QP) تبلغ 32. بالإضافة إلى ذلك، يتم تقييم الجودة البصرية للفيديوهات المضمنة، مما يكشف أن DINVMark يتفوق على الأنظمة الأخرى في مقاييس PSNR و LPIPS و tLP، مع تقليل التشويه البصري، مما يضمن إخراج فيديو عالي الجودة.
نقاش
في قسم النقاش من الورقة، يبرز المؤلفون قيود طرق تضمين العلامات المائية التقليدية، خاصة عدم قدرتها على الاستفادة بشكل فعال من الارتباطات الزمنية في بيانات الفيديو وسعتها المحدودة للتضمين. يعالج إطار عمل DINVMark المقترح هذه القضايا من خلال استخدام شبكة عصبية قابلة للعكس (INN) لتضمين واستخراج العلامات المائية، مما يعزز الصلابة ضد الهجمات المختلفة، بما في ذلك الضغط والضوضاء، مع الحفاظ على جودة الفيديو. يؤكد المؤلفون أن DINVMark لا يزيد فقط من سعة تضمين العلامات المائية ولكن أيضًا يبسط هيكل الشبكة، مما يجعلها أكثر كفاءة مقارنة بالطرق الحالية.
تستعرض الورقة عدة مساهمات رئيسية لـ DINVMark، بما في ذلك تصميم محاكي ضغط فيديو قابل للاشتقاق لتحسين الصلابة، والارتباط الفعال بين المشفر والمفكك من خلال المعلمات المشتركة، ودمج مميز متعدد المقاييس لتحسين جودة الفيديو. كما يناقش المؤلفون التوازنات بين الصلابة، الحمولة، وجودة الفيديو، موضحين أن زيادة قوة تضمين العلامة المائية تحسن الصلابة على حساب الجودة البصرية. بشكل عام، تظهر الطريقة المقترحة وعدًا في حماية حقوق الملكية الفكرية في محتوى الفيديو، مقدمةً حلاً عمليًا لتضمين معلومات متنوعة مثل تفاصيل حقوق الطبع والنشر ومعلومات المؤلف.
DOI: https://doi.org/10.1109/tmm.2026.3651109
Publication Date: 2026-01-01
Author(s): Jianbin Ji et al.
Primary Topic: Advanced Steganography and Watermarking Techniques
Overview
The paper presents a novel approach to video watermarking through the introduction of a Deep Invertible Network for Video watermarking (DINVMark), addressing critical challenges in the field such as watermarking capacity and robustness, particularly in the context of High Efficiency Video Coding (HEVC) compression. The authors design a specialized noise layer that simulates HEVC compression, which enhances both the watermarking capacity and the robustness of the watermark against various attacks.
DINVMark utilizes an Invertible Neural Network (INN) architecture, where the encoder and decoder share the same structural framework for watermark embedding and extraction. This design facilitates a close coupling between the two processes, leading to improved accuracy in watermark extraction. Experimental results indicate that the proposed method significantly enhances watermark robustness while maintaining video quality and substantially increasing the capacity for watermark embedding.
Introduction
In the information age, safeguarding data and ensuring secure communication are paramount, with information hiding technologies like steganography and digital watermarking playing crucial roles. Steganography involves embedding secret information within digital media to prevent detection, making it suitable for covert communication. Conversely, digital watermarking focuses on robustness, allowing for reliable extraction of embedded watermarks even after processes such as compression, thus supporting applications like copyright protection and content authenticity verification. Recent advancements in deep learning have significantly enhanced the performance of watermark embedding and extraction, improving resilience against attacks while maintaining the visual quality of multimedia content.
Digital watermarking can be classified into visible and invisible types. Visible watermarks are perceptible and more resilient to non-human attacks but can degrade visual quality and may be lost during cropping. Invisible watermarks, which do not affect the original content, can be further categorized into spatial domain, transformed domain, and compressed domain watermarking. Spatial domain methods offer high efficiency but are vulnerable to geometric attacks, while transformed domain techniques, utilizing methods like Discrete Cosine Transform (DCT) and Discrete Wavelet Transform (DWT), provide better resistance to common attacks but are more complex. Compressed domain watermarking integrates with video coding processes, achieving good embedding efficiency but lacking robustness against recompression attacks. Deep learning approaches, particularly using Convolutional Neural Networks (CNNs) and Generative Adversarial Networks (GANs), have improved watermarking by enabling algorithms to learn optimal embedding locations for both transparency and robustness, although challenges remain in the evolving field of video watermarking.
Methods
In this section, the authors present a comprehensive evaluation of the DINVMark watermarking scheme compared to existing methods, utilizing metrics such as Peak Signal-to-Noise Ratio (PSNR), Learned Perceptual Image Patch Similarity (LPIPS), temporal location precision (tLP), and accuracy (ACC). The results indicate that DINVMark excels in watermark extraction accuracy across various datasets, achieving 100% accuracy under multiple distortion attacks, including frame averaging, frame dropping, and compression (H.264/AVC and HEVC). The architecture of the INN network and the design of the distortion layer are highlighted as key factors contributing to the robustness of DINVMark, particularly in preserving watermark integrity under high compression conditions.
The authors further analyze the impact of watermark shape on performance, noting that DINVMark is more effective with regular rectangular watermarks (e.g., 8×8, 16×16) compared to irregular shapes, which require additional linear layers that may hinder coupling between the encoder and decoder. Experimental results demonstrate that DINVMark maintains high accuracy even at increased compression levels, with a notable 90% accuracy rate at a Quantizer Parameter (QP) of 32. Additionally, the visual quality of watermarked videos is assessed, revealing that DINVMark outperforms other schemes in PSNR, LPIPS, and tLP metrics, while minimizing visual distortion, thus ensuring high-quality video output.
Discussion
In the discussion section of the paper, the authors highlight the limitations of traditional video watermarking methods, particularly their inability to effectively utilize temporal correlations in video data and their restricted embedding capacity. The proposed DINVMark framework addresses these issues by employing an Invertible Neural Network (INN) for watermark embedding and extraction, which enhances robustness against various attacks, including compression and noise, while maintaining video quality. The authors emphasize that DINVMark not only increases watermarking capacity but also simplifies the network structure, making it more efficient compared to existing methods.
The paper outlines several key contributions of DINVMark, including the design of a differentiable video compression simulator to improve robustness, the effective coupling of the encoder and decoder through shared parameters, and the incorporation of a multiscale discriminator to enhance video quality. The authors also discuss the trade-offs between robustness, payload, and video quality, demonstrating that increasing watermark embedding strength improves robustness at the cost of visual quality. Overall, the proposed method shows promise for protecting intellectual property rights in video content, offering a practical solution for embedding diverse information such as copyright details and author information.