一、前言

论文链接：Distortion Agnostic Deep Watermarking

论文主要内容： 该文献提出了一种失真不可知的鲁棒水印模型，以解决现有DNN鲁棒水印方法的局限性。现有的DNN鲁棒水印方法，通常是在训练阶段将各类失真（例如JPEG压缩、高斯噪声、裁剪等…）纳入端到端网络中的噪声层，进行鲁棒训练，以获得抵抗攻击的鲁棒性。但在实际传输中，水印图像可能面临不同强度和类型的破坏与攻击，无法事先确定所有可能的攻击。

该文献提出了一种新的解决方案，通过对抗训练和通道编码来提高水印模型的鲁棒性，而无需明确建模图像失真类型。具体而言，该方法通过引入对抗网络来替代现有方案中的噪声层，使用对抗网络生成未知的失真。同时，通过引入通道编码技术，为水印引入冗余信息，进一步增强其鲁棒性。

实验结果显示，在已知失真类型的情况下，该方法与现有方案具有相当的鲁棒性。而在失真类型不可知的情况下，该方法的鲁棒性明显优于现有方案。这表明该方法能够在面对未知的图像失真时仍保持较高的鲁棒性。

二、网络结构

该论文的总体网络结构如下所示：

2.1 Encoder