基于可学习嵌入技术与遗传优化的强鲁棒性音频水印技术

《Digital Signal Processing》：Robust Audio Watermarking with Learnable Embedding Technique and Genetic Optimization

　　

Jannatul Nayeem|Hak-Bum Lee|Young-Ho Seo

韩国首尔光云大学电子材料工程系

摘要

在音频大规模传播与处理的时代，强大且难以察觉的水印技术对于版权保护与内容认证而言至关重要。本文提出一种基于深度学习的新型音频水印框架，该框架将感知掩蔽技术与遗传算法驱动的优化相结合，从而同时实现高保真度与强抗干扰性。具体而言，二进制水印首先被转换为可学习的高维表示形式，再通过感知掩蔽进行调制以降低感知失真，随后通过遗传算法优化以提高其抗干扰性与提取精度。整个端到端的神经网络流程可将水印嵌入到载波音频中，训练过程中还可进行攻击模拟，以此提升模型对现实世界中各种音频损伤的适应能力。实验结果表明，所提出的框架在面对压缩、噪声和时间失真等多种攻击时，仍能保持较高的音频质量并实现可靠的水印提取。与现有的水印方法相比，该方法具有更强的抗干扰性和透明度，为其在版权保护及司法鉴定领域的应用奠定了基础。

引言

在数字时代，音频内容被广泛传播且容易被篡改，因此强大且高保真的音频水印技术已成为版权保护、篡改检测和内容认证的重要工具。离散小波变换、离散余弦变换和短时傅里叶变换等传统的变换域方法虽已取得初步成效，但往往难以应对同步丢失、重新录制和压缩伪影等现代音频损伤问题[1]、[2]。

深度学习的最新进展通过构建数据驱动的架构，使得水印技术能够适应多种不同的音频损伤，从而显著提升了其抗干扰能力。尽管如此，仍有研究指出，许多深度音频水印方法易受到实际去除和转换攻击的影响，这反映出现有事后水印策略在现实环境中的局限性。这些发现凸显出需要更具抗干扰性的嵌入机制以及更为有效的训练策略[3]。诸如XAttnMark这类基于注意力机制的框架通过引入跨注意力机制和自适应特征交互，进一步提升了水印的抗干扰能力，在复杂的音频处理和编辑操作下仍能保持良好的恢复效果与隐蔽性[4]。例如DeAR[5]和DeepAWR[6]利用基于真实重新录制数据训练的损伤模拟网络，将水印比特嵌入到对齐的频谱帧中，从而有效抵御模拟攻击。对抗性音频水印技术则通过引入对抗性扰动和差分解码方式降低了模型复杂度，而像FrCT-DTCWT[8]以及基于迭代过滤的鲁棒音频水印技术[9]则着眼于在资源受限的环境下提升水印的隐蔽性与抗干扰性。同样，基于深度卷积神经网络的方法也通过频谱优化来有效应对噪声和压缩伪影。在相关的信号处理领域，人们还探索了可变形和边缘感知的特征学习技术，以此提升系统对结构变化的抵抗能力，比如利用边缘引导的可变形卷积和点集表示技术来实现定向SAR舰船检测[11]。此外，RAW-Bench等最新的基准测试研究强调了在包含神经编码器、压缩处理以及实际信号操作等真实场景下评估水印技术的重要性，这也反映出市场对强大且可部署的音频水印框架的需求日益增长[12]。

除了基于卷积神经网络的方法之外，WavMark[13]和IDEAW[14]这类可逆神经网络框架通过引入带有位置编码的可逆嵌入机制，提升了系统对同步丢失和时间偏移的抵抗能力。其他创新方案还包括整合了心理声学掩蔽与压缩级模拟功能的SilentCipher[15]，以及能够实现精细定位以识别人工智能生成内容的AudioSeal[16]。生成式水印方法如GROOT[17]和Invisible Diffusion[18]则将水印注入到扩散模型的潜在空间中，从而实现既隐蔽又能被追踪的水印效果。与此同时，经过对抗性训练的模型[19]以及基于卷积神经网络的QIM技术[20]也在面对回声、高斯噪声和频率偏移等复杂损伤时，提升了误码率与信噪比。基于生成对抗网络的架构也被用于增强系统对非线性滤波和噪声的抵抗能力。

所提出的框架在方法论上有多项创新，相较于现有的深度学习及变换域水印技术，这些创新共同提升了水印的隐蔽性、抗干扰性以及抗不同步攻击的能力。本研究的主要贡献如下：

首先，该框架引入了基于遗传算法的优化策略，可同时优化水印信号本身以及嵌入过程中的关键参数，如缩放因子和学习率。与传统需手动调整这些参数的方法不同，这种进化优化机制能够在训练过程中通过适应性搜索不断提升系统的抗干扰性与保真度。其次，该框架并未直接嵌入二进制水印比特，而是采用了向量变换编码器，将水印转换为可学习的高维表示形式，这样不仅便于基于梯度进行优化，还能让水印与载波音频特征产生更强的相互作用，进而提升提取精度与隐蔽性。此外，该框架还整合了一个轻量级的基于卷积神经网络的掩蔽预测器，可用于识别音频特征空间中感知上不敏感的区域，从而无需依赖手工设计的心理声学模型即可自适应地调整嵌入强度。为进一步提升抗干扰能力，该框架采用了具备攻击感知能力的端到端训练策略，即在训练前进行有指导的攻击模拟，训练过程中则进行随机攻击测试，从而使模型在面对加性噪声、MP3压缩、重采样和回声等损伤时仍能保持稳定的水印提取能力。另外，该框架还设计了具有残差优化与自适应池化功能的全卷积嵌入-解码架构，既能够保留波形的高保真度，又确保水印可以稳定提取。最后，通过在Libri-Speech、YouTube、FMA和GTZAN等数据集上进行的大量实验与消融研究，证明了所提框架的有效性，同时也明确了遗传算法优化、感知掩蔽以及攻击感知训练等各组成部分在提升系统抗干扰性与音频质量方面的作用。

通过大量实验验证，所提出的框架在测试条件下实现了近乎零的误码率，且信噪比超过50 dB，这充分体现了其强大的抗干扰能力与极高的信号保真度。实验结果表明，该框架能够在多种常见音频损伤情况下实现可靠的水印提取，同时还能保持良好的音频质量。这些成果充分展示了该框架作为实用水印解决方案在保护现实世界音频内容的版权以及进行司法鉴定方面的巨大潜力。

本文的结构如下：第2节综述相关研究；第3节介绍所提出的水印方法；第4节展示实验结果与分析；第5节对全文进行总结。

章节要点

相关研究

目前关于音频水印的研究涵盖了传统的信号处理技术以及基于深度学习的模型，其目标都是提升水印的抗干扰性、隐蔽性以及应对现代攻击的能力。

传统方法通常在时间域、频率域或变换域中进行操作，比如离散小波变换、离散余弦变换和短时傅里叶变换等。量化指数调制技术则在水印嵌入容量与其他性能指标之间取得了平衡

所提出的方法

我们提出了一种基于深度学习的新型音频水印框架，该框架结合了可学习的水印嵌入过程与遗传算法优化技术。为了解决在各种信号损伤情况下实现强大且高保真音频水印的问题，该框架将可学习的水印表示形式与遗传算法驱动的优化机制相结合。该框架由六个主要部分构成：（1）水印编码器，用于将二进制水印

实验结果

在本节中，我们使用标准的基准数据集以及广泛采用的评估指标，分别测试了所提出的音频水印框架在原始干净条件以及遭受攻击条件下的性能表现。所有评估都在固定且确定的条件下进行。对于给定的音频信号、水印模式以及攻击配置，嵌入与提取过程始终能够产生一致的结果。因此，误码率与互信息系数在多次测试中几乎不存在变化

消融研究

为明确所提出水印架构中各个组件的作用，我们在清晰的音频条件下进行了逐组件消融研究。我们依次关闭遗传算法、感知掩蔽预测器以及攻击模拟模块，以此评估它们各自对水印隐蔽性及提取精度的影响。性能评估采用了信噪比、误码率与互信息系数等指标。如表7所示，完整模型能够获得最高的性能，其信噪比

结论

本文提出了一种基于深度学习的音频水印框架，该框架通过结合感知掩蔽技术与基于遗传算法的优化方法，提升了水印的抗干扰性与音频保真度。通过整合可学习的水印表示形式、具备感知意识的调制机制以及进化优化技术，该框架能够在各种音频损伤情况下依然保持较高的信号保真度，同时实现可靠的水印提取。实验结果充分证明了该框架在各项测试中的优异表现

CRediT作者贡献说明

Jannatul Nayeem：概念设计、方法开发、软件实现、实验研究、正式分析、论文初稿撰写与修改。Hak-Bum Lee：软件实现、数据整理与筛选、结果验证。Young-Ho Seo：项目指导、项目管理、资金筹措以及论文修改与润色。

利益冲突声明

作者们声明存在以下可能被视为利益冲突的财务利益或个人关系：

Seo Young-Ho表示其获得了光云大学的资金支持。其他作者则声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。