移动互联网时代,大量的数字图像被制造出来并被广泛传播。在数字图像被分享传输的过程中,这些图像的所有权或者来源往往需要被确定。为了能够对这些数字图像进行有效的版权保护或者追踪溯源,许多鲁棒数字水印算法应运而生。同时,为了衡量水印的鲁棒性,水印攻击算法也受到了学者的关注。两者相互促进,相辅相成。经过多年的发展,鲁棒数字水印已经能够有效抵抗常规的水印攻击。然而水印攻击自上个世纪末以来陷入了停滞。一种好的水印攻击算法,往往能够激发研究者设计出更加可靠鲁棒的水印算法,所以攻击算法在水印算法研究这个系统中也具有重要的意义。水印攻击的主要目的为破坏水印的提取。在攻击过程中,通常假设攻击者可以使用除密钥外的所有信息来对水印信息的提取进行破坏。最有效的一种水印攻击方式称为去除攻击,这种攻击的目的为将载体图像中的水印信息彻底去除。传统去除攻击在破坏水印信息的同时,往往对图像质量也有较大的破坏。而水印算法经过多年发展对去除攻击有一定的抵抗力。近年来,神经网络算法在图像恢复领域表现出强大的能力。深度卷积神经网络能够学习到图像先验分布并据此有效恢复图像。因此,传统水印算法鲁棒性在神经网络时代面临着新的挑战。本文设计训练的深度学习模型用于去除攻击,测试了传统水印算法的鲁棒性。具体研究方案包含以下两点:(1)基于卷积神经网络的鲁棒水印算法攻击方案为了去除水印并保持图像质量,本文利用卷积神经网络模型完成对鲁棒水印的去除。根据掌握水印算法知识,生成与水印图像分布相似程度不同的噪声图像。在已知水印算法的白盒攻击中,与水印图像的分布相似程度高的噪声图像通过利用除密钥外的所有算法知识生成。在未知水印算法的黑盒攻击中,根据水印算法的共性,噪声图像借助具有较大中、低频分量的模板生成。之后对应的噪声图像与原始图像作为图像对共同用于对模型的训练。通过采用简化的数据流形与有效网络架构,共同实现了降低模型损失风险上界的目的。实验结果表明,本方案训练的卷积神经网络模型能够有效去除图像中的水印信息且使图像质量不会严重退化。(2)基于生成对抗网络的鲁棒水印算法攻击方案本文提出了基于生成对抗网络的鲁棒水印算法攻击方案。在白盒攻击中,通过对水印系数截断为固定值达到水印去除目的。在黑盒攻击中,通过高强度噪声破坏水印信息。在对水印去除过程中,将会不可避免丢失细节信息。为了弥补这部分细节信息,采用生成对抗网络的结构完成对丢失信息的学习。生成器用于生成图像细节,判别器用于监督生成细节符合原始图像分布。实验结果表明,本方案能够在保证图像视觉质量的条件下有效破坏水印信息。