A self-supervised CNN for image watermark removal

流行的卷积神经网络主要使用成对的图像进行监督式的图像水印去除。然而，水印图像在现实世界中没有参考图像，这导致图像水印去除技术的鲁棒性较差。本文提出了一种自监督卷积神经网络（SWCNN）用于图像水印去除。SWCNN使用自监督方法根据水印分布构建参考水印图像，而不是给定成对的训练样本。采用异构U-Net架构通过简单的组件提取更多互补的结构信息用于图像水印去除。考虑到纹理信息，采用混合损失来改善图像水印去除的视觉效果。此外，进行了水印数据集。实验结果表明，所提出的SWCNN在图像水印去除方面优于流行的CNN。

本论文旨在解决图像去水印中的一个新问题，即水印图像缺乏参考图像，导致传统的卷积神经网络在图像去水印中的鲁棒性不足。

论文提出了一种自监督卷积神经网络（SWCNN）来解决图像去水印中的问题。相比于传统的有监督学习，SWCNN使用自监督的方式构建参考水印图像，并使用异构U-Net架构来提取更多的结构信息，同时考虑纹理信息，使用混合损失来提高图像去水印的视觉效果。

论文设计了一个水印数据集，并通过实验展示了SWCNN在图像去水印中的优越性。SWCNN相比于传统的卷积神经网络在图像去水印中更加鲁棒。论文开源了代码。

近期相关研究包括：1. 'Deep Image Prior'（Ulyanov et al.，2018）2. 'Learning Blind Watermark Removal Network'（Guo et al.，2019）3. 'Watermark Removal Using a Cascade of U-Net-Based Networks'（Yang et al.，2019）