人工智能安全：原理与实践 课件 第13章 水印去除原理与实践(13.2基于Skip Encoder-Decoder网络的图像水印去除-实践).pptx

李剑博士，教授，博士生导师网络空间安全学院lijian@bupt.edu.cnJanuary23,2025第13章水印去除原理与实践13.2基于SkipEncoder-Decoder网络的图像水印去除

实践介绍本实践主要是让学生使用SkipEncoder-Decoder模型来去除图像中的水印，进一步学习深度神经网络的应用实践。

1.实践目的（1）模型理解：了解SkipEncoder-Decoder模型的工作原理。（2）算法应用：通过实际编程实现去水印处理，掌握如何应用卷积神经网络进行图像的特征提取和重建。（3）效果对比：通过实验比较去水印前后的图像，评估去水印效果的质量，如清晰度、色彩保真度和细节恢复。（4）参数调优：通过调整模型参数（如损失函数、训练迭代次数等），学会如何优化模型性能，达到更好的去水印效果。

2.实践环境1.Python版本：Python3.8.192.所需安装库：numpy1.23.5，torch2.3.0，torchvision0.18.0，matplotlib3.7.2，tqdm4.62.3

3.实践过程1.配置实践环境2.编写inference.py文件。3.编写api.py文件。4.编写helper.py文件5.在model文件夹下定义generator.py文件。6.编写modules.py文件。（所有代码书上和网盘里都有，大家可以下载、学习）

4.模型配置与训练（1）参数配置与初始化参数解析:使用argparse库创建一个解析器，定义并获取命令行输入参数，如图像路径、水印蒙版路径、学习率等。这些参数将直接影响去水印的操作和结果。（2）图像和蒙版的预处理读取图像和蒙版图像尺寸调整转换格式可视化预处理结果

4.模型配置与训练可视化预处理结果：

4.模型配置与训练(3)模型配置与训练准备设备配置：根据系统的硬件支持设置计算设备（CPU,CUDA,MPS），优化运行效率。模型实例化：实例化Skip-Encoder-Decoder模型。这是一个复杂的编码器-解码器网络，结合了跳跃连接和深度可分离卷积，能有效地处理图像中的详细特征，并在去水印过程中重建损失或被遮盖的图像内容。训练准备。

4.模型配置与训练(4)训练执行与可视化(5)模型测试模型训练过程如图所示。

5.实践结果实践结果：

小结本小节主要介绍通过深度神经网络的方法去除去除图像中的水印。

祝同学们学习进步！致谢