README.md

Image-Bench: 图像水印鲁棒性评估基准

评估图像水印算法在传统失真攻击下的鲁棒性，基于W-Bench DISTORTION_1K数据集（1000张图像 × 25种攻击配置）。

---

🚀 快速开始

1. 安装依赖

# 必需依赖
pip install pillow numpy torch tqdm pyyaml

# 质量指标计算
pip install scikit-image lpips

2. 下载数据集

huggingface-cli download Shilin-LU/W-Bench \
  --repo-type=dataset \
  --local-dir dataset/W-Bench \
  --include "DISTORTION_1K/**"

数据集大小: ~9GB 验证下载: ls dataset/W-Bench/DISTORTION_1K/image/ | wc -l 应输出 1000

3. 运行评估

python benchmarks/Image-Bench/run_benchmark.py

结果输出: results/videoseal_distortion/metrics.json

---

📊 评估流程

支持的攻击类型

攻击类型	强度参数	说明
Brightness	[1.2, 1.4, 1.6, 1.8, 2.0]	亮度增强（倍数）
Contrast	[0.2, 0.4, 0.6, 0.8, 1.0]	对比度降低（倍数）
Blurring	[1, 3, 5, 7, 9]	高斯模糊（核大小）
Noise	[0.01, 0.03, 0.05, 0.07, 0.1]	高斯噪声（标准差）
JPEG Compression	[95, 90, 80, 70, 60]	JPEG质量

共计 5种攻击 × 5个强度 = 25种配置

评估指标

指标类别	指标	判定阈值	指标说明
质量	PSNR	≥ 35.0 dB	Peak Signal-to-Noise Ratio（峰值信噪比），越高越好
质量	SSIM	≥ 0.95	Structural Similarity Index（结构相似度），越接近 1 越好
质量	LPIPS	≤ 0.015	Learned Perceptual Similarity（感知相似度），越低越好
鲁棒性	TPR	≥ 0.80	True Positive Rate（检测成功率），越高表示鲁棒性越强
鲁棒性	Bit Accuracy	≥ 0.85	水印比特准确率，决定解码结果与原始水印的接近程度

---

📈 可视化分析

生成雷达图以可视化水印鲁棒性：

python benchmarks/Image-Bench/utils/plot_radar.py \
    benchmarks/Image-Bench/results/videoseal_distortion/metrics.json

TPR	Bit Accuracy	质量评估指标
		指标 数值 达到阈值 PSNR 45.52 dB ✅ SSIM 0.9953 ✅ LPIPS 0.0025 ✅

---

🏆 致谢

本项目基于以下开源工作：

• VINE - W-Bench数据集和失真攻击实现
• VideoSeal - 视频/图像水印算法