一种面向NeRF的隐式表示水印提取方法及系统

本发明属于基于数字水印的版权保护，具体涉及一种面向nerf的隐式表示水印提取方法及系统。

背景技术：

1、数字水印是一种版权保护技术，通过嵌入算法将版权标识嵌入到数字媒体中，当发生版权纠纷时，版权所有者通过嵌入算法的逆操作设计一个提取器提取其中的版权信息，以确认版权归属。2020年，mildenhall b等人首次提出了神经辐射场(nerf)的概念，采用多层感知机(mlp)对3d场景进行隐式表示，通过对3d模型进行渲染生成2d图像，实现了新视角的合成。可以预测，由于nerf具有表征能力强、泛化性高且易于学习的特点，在将来有可能成为数字媒体表示的主流，且nerf模型的训练需要花费大量时间和计算资源，因此，如何设计有效的水印方案保护nerf模型版权成为一个重要的问题。

2、传统的水印算法主要依赖于具体的数学函数实现，对需要嵌入水印的媒体进行修改以嵌入水印。然而，传统算法通常无法做到兼具较好的不可感知性、鲁棒性和水印容量。虽然现有的基于深度学习的水印算法具有较强的鲁棒性、优秀的不可感知性和较大的嵌入容量，但水印算法大多面向图像、声音、视频等显示表示的数据设计，主要面向2d图像，缺乏面向nerf等隐式数据的水印算法的研究。为解决现有的面向nerf的水印算法水印容量不高且水印提取器存在安全风险的问题，本发明提出一种面向nerf的隐式表示水印提取方法及系统。

技术实现思路

1、针对现有技术的不足，本发明一种面向nerf的隐式表示水印提取方法及系统，水印容量不高且水印提取器存在安全风险的问题。

2、为实现上述目的，本发明提供了如下方案：

3、一种面向nerf的隐式表示水印提取方法，包括以下步骤：

4、基于inr隐式神经表征表示水印信息，并基于水印信息数据集，获得水印信息网络；

5、基于所述水印信息网络，构建载体网络，并利用共享密钥将所述水印信息网络的参数嵌入所述载体网络；

6、基于载体网络数据集训练所述载体网络，获得含水印的nerf神经辐射场模型；

7、利用共享密钥，从所述nerf神经辐射场模型中提取所述水印信息网络的参数，获得所述水印信息，完成面向nerf的隐式表示水印提取。

8、优选的，获得水印信息网络的方法为：

9、将全连接多层感知机网络作为基本结构，并将线性整流含水作为激活函数，获得所述inr隐式神经表征；

10、基于所述inr隐式神经表征表示所述水印信息，获得水印信息的初始网络；

11、基于水印信息数据集训练所述初始网络，获得所述水印信息网络。

12、优选的，所述载体网络包括三种结构：分别在所述水印信息网络的基础上进行横向扩张、垂直扩张以及混合扩张；

13、在所述水印信息网络之后插入新层，进行横向扩张；

14、保持所述水印信息网络的层数不变，增加隐藏层中神经元的数量，进行垂直扩张；

15、同时增加网络层数和现有隐藏层中神经元的数量，进行混合扩张。

16、优选的，所述共享密钥为随机生成的0和1比特串，表示为k＝{k0,k1,k2,...,km}，k0表示水印信息网络神经元在载体网络中的层数信息，1表示相应层网络包含水印信息网络的神经元，0表示相应层网络不含水印信息网络神经元，{k1,k2,...,km}表示水印信息网络神经元在载体网络中的位置，其中每一层对应一个长度为的二进制流km，表示相应层中神经元的数量，每个比特对应一个神经元，其中1表示此处的神经元是水印信息的神经元，0表示此处的神经元为载体信息的神经元。

17、优选的，引入二进制掩码，在基于载体网络数据集训练所述载体网络时，只训练载体网络中表示载体信息的参数，冻结嵌入的所述水印信息网络的参数。

18、优选的，所述二进制掩码公式如下：

19、

20、θ代表参数，包括水印信息网络的参数和其余表示载体信息的参数，为θ中表示载体信息的参数，θ[p]表示θ中第p个参数。

21、本发明还提供一种面向nerf的隐式表示水印提取系统，用于实现所述方法，包括：

22、水印信息网络构建模块，用于基于inr隐式神经表征表示水印信息，并基于水印信息数据集，获得水印信息网络；

23、水印嵌入模块，用于基于所述水印信息网络，构建载体网络，并利用共享密钥将所述水印信息网络的参数嵌入所述载体网络；基于载体网络数据集训练所述载体网络，获得含水印的nerf神经辐射场模型；

24、水印提取模块，用于利用共享密钥，从所述nerf神经辐射场模型中提取所述水印信息网络的参数，获得所述水印信息，完成面向nerf的隐式表示水印提取。

25、优选的，其特征在于，所述水印信息网络构建模块包括：

26、隐式神经表征单元，用于将全连接多层感知机网络作为基本结构，并将线性整流含水作为激活函数，获得所述inr隐式神经表征；

27、初始网络构建单元，用于基于所述inr隐式神经表征表示所述水印信息，获得水印信息的初始网络；

28、网络训练单元，用于基于水印信息数据集训练所述初始网络，获得所述水印信息网络。

29、与现有技术相比，本发明的有益效果为：基于inr隐式神经表征表示水印信息，并基于水印信息数据集，获得水印信息网络；本发明首次将隐式表式应用于nerf的版权保护，解决了现有面向nerf水印方案水印容量不高且水印提取器存在安全风险的问题。基于所述水印信息网络，构建载体网络，并利用共享密钥将所述水印信息网络的参数嵌入所述载体网络；基于载体网络数据集训练所述载体网络，获得含水印的nerf神经辐射场模型；利用共享密钥，从所述nerf神经辐射场模型中提取所述水印信息网络的参数，获得所述水印信息，完成面向nerf的隐式表示水印提取。本发明设计了基于密钥的载体网络构造策略，可以无损的提取水印信息。

技术特征：

1.一种面向nerf的隐式表示水印提取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的面向nerf的隐式表示水印提取方法，其特征在于，获得水印信息网络的方法为：

3.根据权利要求1所述的面向nerf的隐式表示水印提取方法，其特征在于，所述载体网络包括三种结构：分别在所述水印信息网络的基础上进行横向扩张、垂直扩张以及混合扩张；

4.根据权利要求1所述的面向nerf的隐式表示水印提取方法，其特征在于，所述共享密钥为随机生成的0和1比特串，表示为k＝{k0,k1,k2,...,km}，k0表示水印信息网络神经元在载体网络中的层数信息，1表示相应层网络包含水印信息网络的神经元，0表示相应层网络不含水印信息网络神经元，{k1,k2,...,km}表示水印信息网络神经元在载体网络中的位置，其中每一层对应一个长度为的二进制流km，表示相应层中神经元的数量，每个比特对应一个神经元，其中1表示此处的神经元是水印信息的神经元，0表示此处的神经元为载体信息的神经元。

5.根据权利要求1所述的面向nerf的隐式表示水印提取方法，其特征在于，引入二进制掩码，在基于载体网络数据集训练所述载体网络时，只训练载体网络中表示载体信息的参数，冻结嵌入的所述水印信息网络的参数。

6.根据权利要求5所述的面向nerf的隐式表示水印提取方法，其特征在于，所述二进制掩码公式如下：

7.一种面向nerf的隐式表示水印提取系统，其特征在于，用于实现权利要求1-6任一项所述的方法，包括：

8.根据权利要求7所述的面向nerf的隐式表示水印提取系统，其特征在于，所述水印信息网络构建模块包括：

技术总结本发明提供一种面向NeRF的隐式表示水印提取方法及系统，方法包括以下步骤：基于INR隐式神经表征表示水印信息，并基于水印信息数据集，获得水印信息网络；基于水印信息网络，构建载体网络，并利用共享密钥将水印信息网络的参数嵌入载体网络；基于载体网络数据集训练载体网络，获得含水印的NeRF神经辐射场模型；利用共享密钥，从NeRF神经辐射场模型中提取水印信息网络的参数，获得水印信息，完成面向NeRF的隐式表示水印提取。本发明技术方案可以直接保护NeRF模型的版权，具有较高的鲁棒性，并且还保持较高的水印提取质量和较好的渲染效果。技术研发人员：刘佳,陈立峰,柯彦,董炜娜,孙文权,潘晓中受保护的技术使用者：中国人民武装警察部队工程大学技术研发日：技术公布日：2024/9/12