ConZWNet: A contrastive learning-based zero-watermarking network for high robustness and distinguishability
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Zero-watermarking is an effective solution for image copyright protection without altering the original content. However, current deep learning-based methods suffer from two key limitations. First, most feature extraction networks, originally designed for classification, lack robust feature learning essential for resisting attacks. Second, conventional methods seldom incorporate the generated watermark back into training, missing opportunities to further optimize the model. To address these issues, we propose ConZWNet, a two-stage framework that integrates contrastive learning with feedback-driven zero-watermark generation. In the first stage, we use ConvNeXt to learn invariant, attack-resistant features via contrastive learning on weak–strong augmentation. In the second stage, a residual network coupled with a Multi-Layer Perceptron (MLP) fuses features from host and copyright images to produce a latent zero-watermark, which is then verified by an MLP-based copyright identification network. This feedback loop optimizes feature fusion and transforms zero-watermark generation into a self-supervised process. Extensive experiments demonstrate that ConZWNet achieves state-of-the-art robustness against various attacks while ensuring high distinguishability among host images and copyrights. Ablation studies confirm the effectiveness of components, including two-stage architecture, contrastive learning, weak–strong augmentation, and copyright identification network. The source code is publicly available at https://github.com/hanhongxin1028/ConZWNet .
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- ConZWNet: A contrastive learning-based zero-watermarking network for high robustness and distinguishability
- Date Crossref
- 01/09/2025
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Nanjing University of Finance and Economics pays non établi dans la noticeUniversité ou école supérieure
-
Beijing Normal University pays non établi dans la noticeUniversité ou école supérieure
-
Nanjing Normal University Key Laboratory of Virtual Geographic Environment pays non établi dans la noticeUniversité ou école supérieure
-
Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application pays non établi dans la noticeStructure de recherche
-
School of Computer and Artificial Intelligence pays non établi dans la noticeUniversité ou école supérieure
-
School of Artificial Intelligence pays non établi dans la noticeUniversité ou école supérieure
-
State Key Laboratory Cultivation Base of Geographical Environment Evolution (Jiangsu Province) pays non établi dans la noticeStructure de recherche
Nanjing University of Finance and Economics, Beijing Normal University et Key Laboratory of Virtual Geographic Environment — Nanjing Normal University, avec 4 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.