TERA- Screen-to-Camera Image Code with Transparency, Efficiency, Robustness and Adaptability论文阅读

原创

： TERA: Screen-to-Camera Image Code with Transparency, Efficiency, Robustness and Adaptability论文阅读

TERA: Screen-to-Camera Image Code with Transparency, Efficiency, Robustness and Adaptability论文阅读

作者单位中科院

文章仅供自学

研究主题

可以应对 Screen-to-Camera的水印，且满足四个要求：高透明度，高嵌入效率，传输鲁棒性强，对设备类型的适应性强
这四个指标作为重点。这篇文章的主要归类为时域水印，高透明度水印。

核心思路

人眼视觉和机器视觉存在偏差，主要在于人眼的视觉残留现象，会将screen中刷新率大于60Hz的连续图像进行融合。

消息编码法

消息编码实际上没有一个定论，说哪一种表现形式更好。重复编码块，实现鲁棒性，防止消息受到不可复原的破坏。就是l长度的消息+CRC校验码，最后补0到a*a长度。只要最终的消息M1,M2,M3,M4完整，即可完成提取。理论上可以损失3/4的消息。

嵌入模块

根据应用场景，使用图像处理分解为I+和I-两个图像进行编码，再通过注意力引导网络进行解码，本质上属于高透明度的水印方法，和原图进行加权相加方式加入水印

嵌入公式如下，其本质在于公式5，这是一个透明度水印；而其核心思路（人眼的融合策略）体现在公式3，加权和显然是原图

上面的几个公式就说明了以下事实：

扰动模块

文章里面说是那照相机捕获相机中的图像，我觉得不大行，主要是贵。
文章中也提到 2019年这篇文章实现了screen-camera的模拟，这种模拟至少在那篇论文中是可行的，但是Strgstamp这篇论文的screen-camera步骤感觉奇奇怪怪的，特别是detect步骤。

stegstamp(cvpr 2019):模仿了照相机-屏幕的转换

提取模块

提取方式为3阶段网络：强化-注意力-回归子网，施加不同loss;以及对抗子网对强化网络的图像质量进行约束（patch-gan）进行判别。
这个提取模块还挺复杂的。主要是通过增强和注意力机制来缓解screen-camera的信息损失。Loss就不写了。