Аннотация результатов, полученных в 2025 году
Основные направления работы в отчётном периоде: 1) Защита спутниковых изображений за счёт встраивания ЦВЗ в семантически несущественные фрагменты. 2) Адаптация ранее разработанных алгоритмов встраивания ЦВЗ класса QIM, характеризующихся пониженным уровнем искажений, для защиты различных типов данных. 3) Защита векторных тайловых покрытий. 4) Защита образцов 3D-печати. 5) Защита трёхмерных векторных данных. 6) Защита данных медицинской диагностики. Рассмотрим более подробно состав выполненных работ и приведём наиболее важные результаты по каждому направлению. 1. Защита спутниковых изображений за счёт встраивания ЦВЗ в семантически несущественные фрагменты Разработаны два различных метода, основанные на использовании двух способов маскирования ЦВЗ естественными структурами. Оба метода исследованы на примере данных дистанционного зондирования Земли (ДЗЗ), однако на практике могут быть применены и для других видов изображений. В первом методе используются имеющиеся на изображении семантически несущественные структуры. К таким структурам в случае данных ДЗЗ могут относиться, например, облака или водные поверхности (если снимки используются для анализа земной поверхности). Определив класс несущественных объектов, на первом этапе происходит отыскание маски пикселей, относящихся к данному классу, при помощи глубоких нейронных сетей. На втором этапе формируется шумоподобный ЦВЗ в пределах найденной маски. Далее он добавляется к исходному спутниковому изображению. При этом метод формирования шумоподобного ЦВЗ должен обладать высокой стойкостью к различным искажениям: обрезке, сдвигу, масштабированию, сжатию с потерями и пр. В рамках исследования были рассмотрены 5 различных методов встраивания ЦВЗ: Dwt-Dct, Dwt-Dct-Svd, MaxDct, JAWS и Watermark Anything Model (WAM). Среди них первые 4 основаны на классических подходах, а последний основан на нейросетевой архитектуре. Среди классических алгоритмов наилучших показателей достиг алгоритм JAWS, показавший высокую стойкость к поэлементным преобразованиям и JPEG-сжатию. Наилучшим же алгоритмом оказался WAM, который показал высокую стойкость ко всем преобразованиям (включая геометрические искажения), кроме JPEG-сжатия. Второй метод основан на искусственной генерации семантически несущественных областей и добавлении их на снимок. В проведённых исследованиях рассмотрен сценарий, при котором данные ДЗЗ используются для анализа земной поверхности, и на них накладываются искусственно синтезируемые облака, содержащие ЦВЗ. В рамках исследований была сформирована коллекция синтетических облаков на основе шума Перлина. Полученная коллекция использовалась для обучения нейронной сети Stable Diffusion с целью генерации ею изображений облаков. Цель этого этапа – получить нейросетевую модель, позволяющую генерировать подходящие по содержанию изображения, которую далее можно использовать в модели Stable Signature, которая сочетает в себе генерацию изображений одновременно со встраиванием ЦВЗ. После обучения модели Stable Signature эта модель оказалась способной генерировать облака, содержащие ЦВЗ. Далее полученные ЦВЗ добавлялись на спутниковые снимки, и исследовалась стойкость ЦВЗ к различным трансформациям. В результате метод показал свою работоспособность. Проведённые исследования показали, что маскирование ЦВЗ естественными структурами приводит к меньшим искажениям данных ДЗЗ. Кроме того, эти искажения локализованы в семантически несущественных областях. При этом разработанные методы в сочетании со state-of-the-art алгоритмами встраивания ЦВЗ (такими как WAM и Stable Signature) позволяют достичь высоких характеристик стойкости ЦВЗ. 2. Адаптация ранее разработанных алгоритмов встраивания ЦВЗ класса QIM, характеризующихся пониженным уровнем искажений, для защиты различных типов данных. На первом этапе проекта были разработаны алгоритмы класса QIM, которые вносят меньшие искажения при встраивании ЦВЗ, нежели известные алгоритмы: QIM-MD и UniQIM-MD. На третьем этапе оба метода были успешно адаптированы для двух специфических типов данных: 3D-модели, представленные в формате STL или его аналогах, а также медицинские изображения. В обоих случаях адаптированные алгоритмы также показали преимущество перед традиционными аналогами по вносимым при встраивании ЦВЗ искажениям. 3. Защита векторных тайловых покрытий. На этапе 3 продолжено развитие метода защиты векторных тайлов MVT на основе сдвига позиций отдельных точек, разработанного на этапе 1. Так, было проведено исследование влияния всех параметров метода на точность извлечения ЦВЗ, что позволило подобрать более стабильные значения параметров. Также проведено более глубокое исследование стойкости ЦВЗ. Проведено исследование времени, необходимого для встраивания и извлечения ЦВЗ, подтвердившее вычислительную эффективность данного метода, а также анализ эффективности использования различных уровней MVT для встраивания ЦВЗ. 4. Защита образцов 3D-печати Ранее на этапах 1-2 был разработан метод, который заключается в формировании локального сдвига структуры полимера внутри области, задаваемой бинарным изображением – ЦВЗ. В рамках этапа 3 реализованы два других способа локального изменения поверхностного слоя: изменение направления линий и изменение толщины линий. Эти алгоритмы успешно реализованы за счёт модификации подаваемой на вход принтера модели, представленной в формате G-code. 5. Защита трёхмерных векторных данных. В рамках этапа 3 исследовался метод защиты прав на цифровые 3D-модели с использованием технологии "нулевого водяного знака" (zero-watermarking) на основе среднего вектора нормали, разработанный на предыдущих этапах. В этом исследовании рассчитанные дескрипторы подавались на вход классификатора на основе свёрточной нейронной сети. Этот классификатор должен отнести поданный на вход дескриптор некоторой модели к одному из предопределённых классов 3D-моделей. В результате эксперимента точность нейросетевой классификации на тестовой выборке для всех экспериментов оказалась не ниже 0,99. Таким образом, показано, что предложенный дескриптор позволяет эффективно описывать 3D-модель. 6. Защита данных медицинской диагностики. В рамках проекта также выполнено несколько задач по защите различных данных медицинской диагностики. В частности, подготовлена публикация по теме защиты данных ЭКГ. Кроме того, успешно показана возможность защиты данных в формате HDF водяными знаками. Наконец, как уже упоминалось выше, разработанные в рамках проекта алгоритмы QIM-MD и UniQIM-MD были успешно адаптированы для медицинских изображений разной модальности. В результате выполнения проекта решены все запланированные задачи. За три года опубликовано либо принято к публикации в совокупности 18 статей в изданиях, индексируемых Web of Science или Scopus, в том числе одна статья в издании Q1.