IDEAW: Robustes neuronales Audio-Wasserzeichen mit invertierbarer Dual-Einbettung

IDEAW: Robust Neural Audio Watermarking with Invertible Dual-Embedding

September 29, 2024

Autoren: Pengcheng Li, Xulong Zhang, Jing Xiao, Jianzong Wang

cs.AI

Zusammenfassung

Die Audio-Watermarking-Technik bettet Nachrichten in Audio ein und extrahiert Nachrichten präzise aus dem Wasserzeichen-Audio. Traditionelle Methoden entwickeln Algorithmen basierend auf Expertenwissen, um Wasserzeichen in den Zeitbereich oder Transformationsbereich von Signalen einzubetten. Mit der Entwicklung von tiefen neuronalen Netzwerken ist das auf Deep Learning basierende neuronale Audio-Watermarking entstanden. Im Vergleich zu traditionellen Algorithmen erzielt das neuronale Audio-Watermarking eine bessere Robustheit, indem es verschiedene Angriffe während des Trainings berücksichtigt. Allerdings leiden aktuelle neuronale Watermarking-Methoden unter geringer Kapazität und unbefriedigender Unwahrnehmbarkeit. Darüber hinaus wurde das Problem der Wasserzeichenlokalisierung, das beim neuronalen Audio-Watermarking besonders wichtig ist und noch ausgeprägter ist, nicht ausreichend untersucht. In diesem Artikel entwerfen wir ein Dual-Einbettungs-Watermarking-Modell für effiziente Lokalisierung. Wir berücksichtigen auch die Auswirkung der Angriffsschicht auf das invertierbare neuronale Netzwerk im Robustheitstraining, um das Modell zu verbessern und sowohl seine Angemessenheit als auch Stabilität zu erhöhen. Experimente zeigen, dass das vorgeschlagene Modell, IDEAW, im Vergleich zu bestehenden Methoden verschiedenen Angriffen standhalten kann und eine höhere Kapazität sowie eine effizientere Lokalisierungsfähigkeit aufweist.

English

The audio watermarking technique embeds messages into audio and accurately extracts messages from the watermarked audio. Traditional methods develop algorithms based on expert experience to embed watermarks into the time-domain or transform-domain of signals. With the development of deep neural networks, deep learning-based neural audio watermarking has emerged. Compared to traditional algorithms, neural audio watermarking achieves better robustness by considering various attacks during training. However, current neural watermarking methods suffer from low capacity and unsatisfactory imperceptibility. Additionally, the issue of watermark locating, which is extremely important and even more pronounced in neural audio watermarking, has not been adequately studied. In this paper, we design a dual-embedding watermarking model for efficient locating. We also consider the impact of the attack layer on the invertible neural network in robustness training, improving the model to enhance both its reasonableness and stability. Experiments show that the proposed model, IDEAW, can withstand various attacks with higher capacity and more efficient locating ability compared to existing methods.