引言
数字图像水印技术是一种广泛用于版权保护的技术，内容创作者可以通过在原始图像中嵌入可见的标志、文本或图案来声明所有权（Cox, Miller, Bloom, & Honsinger, Katzenbeisser, Petitcolas, 2000）。从带水印的图像中恢复出纯净的背景——即可见水印去除技术，近年来受到了越来越多的研究关注，因为它既可以作为评估水印嵌入方案鲁棒性的对抗性工具，也有实际意义，可用于修正被误用或过时的水印（Liu, Xiang, Liu, Pan, Zhang, 2022, Lyu, Huang, Kong, 2023）。然而，水印在形状、颜色、透明度以及空间布局方面存在很大差异，而且可能会与复杂的背景完美融合，这使得水印的检测和修复变得十分困难。
早期的方法依赖于手工设计的特征或严格的假设，比如手动选择水印区域（Huang and Wu, 2004）、基于ICA的分离方法（Pei and Zeng, 2006），或是多图像一致性方法（Dekel et al., 2017），这些方法在实际应用中的效果有限。随着深度学习的发展，Hertz等人（2019）提出了一个盲式单阶段网络（BVMR），该网络可以同时预测无水印背景、水印掩码以及水印本身，由此确立了多任务学习范式，这一范式此后主导了相关研究。Cun和Pun（2021）提出了SplitNet，Liang等人（2021）提出了SLBR，它们将这种架构扩展为两阶段结构，先通过粗略估计网络进行初步处理，再通过专门的细化阶段进行处理。Sun等人（2023）提出了DENet，他们在中间特征层引入了对比学习，以此分离水印和背景的语义。最近，Zhao等人（2022）提出了DKSP，Niu等人（2023）提出了QBMT，它们分别采用了动态核调制和基于查询的局部区域处理方法。
尽管取得了这些进展，但仍然存在两个问题。首先，卷积运算符本质上是局部的，难以捕捉大型或分布不规则的水印区域的完整空间信息。虽然有些方法中加入了注意力模块（Niu, Zhao, Zhang, Zhang, 2023, Sun, Su, Wu, 2023），但这些模块仍然只是对主要的CNN计算的辅助，包括最近提出的单阶段MNet（Huang et al., 2025）。其次，用于解决这一问题的对比学习方法（Meng, Zhou, Yang, Liu, Pu, 2025, Sun, Su, Wu, 2023）会在中间特征层施加约束，以分离任务特定的语义，虽然这有助于优化内部表示，但并不能直接监督最终重建结果的感知质量。
为了解决这些问题，我们提出了
CRFormer，这是一种用于盲式可见水印去除的单阶段Transformer网络。CRFormer用完整的Transformer替换了CNN主干网络，这样无论水印的大小或形状如何，都能捕捉到空间上相距较远的区域之间的依赖关系。由于通道级注意力会以牺牲空间精度为代价来提升效率，因此我们在每个Transformer块中引入了可变形卷积前馈网络（DCFN），该网络可以通过可学习的采样偏移量来恢复精细的空间感知能力，同时不会带来空间自注意力的二次成本。其掩码版本MDCFN还会额外预测水印掩码作为辅助输出，从而将定位功能直接集成到网络主干中。此外，与以往方法在中间特征层应用对比学习的不同（Meng, Zhou, Yang, Liu, Pu, 2025, Sun, Su, Wu, 2023），CRFormer从最终重建的图像中提取多尺度VGG特征，然后应用基于比例的对比损失函数，将该图像向无水印的真实图像靠拢，同时使其远离带水印的输入图像，从而实现对重建质量的端到端监督，这是中间特征层分离方法所无法做到的。其主要贡献如下：
- •
我们提出了基于输出层的对比正则化方法，用于可见水印去除，该方法可以直接约束重建结果与真实图像之间的多尺度感知相似度，提供了中间特征层分离方法所不具备的监督机制。
- •
我们引入了DCFN和MDCFN这两种可变形卷积前馈模块，它们能够恢复因通道级注意力而丢失的空间感知能力，同时还能在没有单独检测模块的情况下，在网络主干中实现水印掩码的联合预测。
- •
我们提出了CRFormer，这是一种基于Transformer的单阶段网络，它将上述所有组件整合到一个统一的框架中，从而在多个公开基准测试中取得了最先进的性能。
