共计 2520 个字符，预计需要花费 7 分钟才能阅读完成。
一、简要介绍
本文简要介绍了论文“Visible Watermark Removal via Self-calibrated Localization and Background Refinement”的相干工作。在图像上叠加可见的水印，为解决版权问题提供了一种弱小的武器。古代的水印去除办法能够同时进行水印定位和背景复原，这能够看作是一个多任务学习问题。然而，现有的办法存在水印检测不残缺和复原背景的纹理品质降落的问题。
因而，作者设计了一个双阶段多任务网络来解决上述问题。粗度阶段由水印分支和背景分支组成，其中水印分支对粗略估算的掩膜进行自校准，并将校准后的掩膜传递给背景分支，重建水印区域。在细化阶段，作者整合了多层次的特色来进步水印区域的纹理品质。在两个数据集上的大量试验证实了作者所提出的办法的有效性。
二、钻研背景
随着社交媒体的激增，图像成为最风行的记录和传递信息的载体。为了爱护版权或主张所有权，各种类型的可见水印被设计并通过 alpha 混合叠加在背景图像上。叠加可见水印被认为是反抗攻击者的一种无效的办法。然而，利用古代水印去除技术，水印图像很可能被转换为无水印图像。水印去除基于水印图像的背景图像，是一个凋谢且具备挑战性的问题。水印能够笼罩在具备不同大小、形态、色彩和透明度的背景图像的任何地位。此外，水印通常蕴含简单的图案，如扭曲的符号、细线、暗影成果等。上述起因使得在没有提供先验常识的状况下，水印去除工作十分艰难。图 1 显示了带水印、无水标记图像和带水印图像的一个示例。在本文的其余部分中，作者交替应用两个术语“背景图像”和“无水印图像”。
在一些前沿工作中，须要定位水印区域的地位。在水印掩膜的领导下，水印去除相似于图像 inpainting 或特色匹配问题。然而，手动正文每个图像的水印掩膜是十分耗时和老本低廉的。
最近，钻研人员尝试通过深度学习办法以端到端形式解决盲水印去除问题。一些工作人员将水印去除问题表述为一个不定位水印的 image-to-image 的转换工作。相同，其余一些工作认为水印应该部分化，顺次或同时去除。只管这些新兴的办法获得了微小的胜利，但它们仍在致力准确和齐全地定位水印，特地是当水印具备简单的图案、不同的色彩或孤立的片段时。不精确的水印掩膜会烦扰背景图像的重建。此外，重建后的图像还存在含糊、伪影、构造扭曲等品质问题，有待进一步改良。本文提出了一种新的基于自校准定位和背景细化的水印去除网络（SLBR），该网络包含一个粗度阶段和一个细化阶段。
在粗度阶段，作者将水印定位和水印去除作为多任务学习框架中的两个工作。具体来说，作者采纳了一个 U -Net 构造，其中两个工作共享雷同的编码器，但有两个独立的解码器。掩膜解码器分支预测多尺度水印掩膜，通过掩膜疏导的背景加强（MBE）模块为背景解码器分支提供领导，以更好地重建无水印图像。思考到不同图像中的水印在许多方面存在很大的差别，作者设计了一个自校准掩膜细化（SMR）模块，将水印特色流传到整个特色图中，以更好地解决特定于图像的水印。在细化阶段，作者以预测的水印掩膜和粗度阶段的无水印图像作为输出，生成一个细化的无水印图像。为了充分利用粗度阶段的有用信息，作者在粗度阶段的后盾解码器分支和细化阶段的编码器之间增加了跳级连贯。思考到不同档次的特色捕捉了构造信息或纹理细节，作者在细化阶段重复应用跨档次特色交融（CFF）模块来聚合多层次编码器特色。从细化阶段失去的输入图像是最终复原的背景图像。
本文的次要奉献能够总结如下：
（1）提出了一种新的跨阶段多任务网络 SLBR，其跨工作信息流传技术用于水印去除工作。
（2）在粗度阶段，作者设计了一个新的自校准掩膜细化（SMR）模块来校准水印掩膜，以及一个新的掩膜疏导背景加强（MBE）模块来加强背景示意。（3）在细化阶段，作者提出了一种新的跨档次特色交融（CFF）模块，该模块重复失去细化的无水印图像。在两个数据集上的
（4）试验证实了作者所提办法的有效性。
三、办法介绍
给定在背景图像 I 上叠加水印失去的水印图像 J，去除水印的指标是基于水印图像 J 复原无水印图像 I。因为水印掩膜 M 通常未知，本文的办法须要同时执行水印定位和水印去除两个工作，能够在多任务学习框架下适应。
如图 2 所示，整个网络以从粗到细的形式设计，包含粗度阶段和细化阶段。在粗度阶段，与以往的多任务学习办法相似，作者采纳了一个共享编码器和两个宰割解码器，其中两个解码器别离负责定位水印（掩膜解码器分支）和复原背景图像（背景解码器分支）。在掩膜解码器分支中，作者设计了一个自校准的掩膜细化（SMR）模块，以进步预测的水印掩膜的品质。为了简化从掩膜解码器分支到背景解码器分支的信息流，作者采纳了一个掩膜疏导的背景加强（MBE）模块来加强背景解码器的个性。在细化阶段，作者在粗度阶段的解码器特色与细化阶段的编码器特色之间建设跳跃阶段连贯，以促成信息从粗度阶段到细化阶段的流传。为了更好地复原背景图像的构造和纹理，作者还设计了一个跨档次特色交融（CFF）模块，在细化阶段迭代聚合多层次编码器特色。3.1 粗度阶段在粗度阶段，作者采纳 U -Net 架构，通过跳路连贯编码器和解码器特色，如图 2 所示。
具体地说，作者采纳了《Blind visual motif removal from a single image.》的编码器块和解码器块的构造。水印定位和水印去除作为两个工作，它们共享所有五个编码器块和第一个解码器块。但它们有三个独立的解码器块，它们别离组成掩膜解码器分支和背景解码器分支。在掩膜解码器分支中，它装备了作者设计的自校准掩膜细化（SMR）模块，并被调配来批示水印的地位。除了从最初一个解码器块中预测的掩膜外，作者还基于其余两个解码器块的特色来预测侧输入掩膜。在后盾解码器分支中，它由掩膜疏导的背景加强（MBE）模块组成，并被调配来复原笼罩有水印的损坏的背景区域。接下来将具体介绍 SMR 和 MBE 模块。
五、总结与探讨
本文钻研了水印去除工作，开发了一种具备新的 MBE、SMR 和 CFF 模块的两阶段多任务网络，该网络能够对水印进行定位，同时复原无水印图像。在两个数据集上的大量试验验证了作者所提出的网络的优越性。
