近日，我校大数据与计算机科学学院王红兵教授团队在信息科学领域国际TOP期刊《IEEE Transactions on Multimedia》（中科院SCI一区，CCF A，IF=9.7）在线发表题为“ResiMark: A Spatial-Temporal Enhanced Video Watermarking Network Balancing Robustness and Imperceptibility”的研究论文。

现有视频水印方法在鲁棒性、不可感知性与嵌入容量之间往往难以实现有效权衡，其根源主要是视频中复杂时空关联的表征能力有限，深层特征融合过程中水印信号易发生显著衰减，以及视频编解码过程的不可微性限制了端到端抗压缩优化的实施。针对上述问题，我们提出一种端到端视频水印网络ResiMark，通过设计时空增强机制与可微分压缩仿真策略，实现对三项指标的联合优化。该网络首先采用专用模块提取视频的时空特征并执行多尺度增强，继而借助残差生成模块将水印信息深度嵌入视频内容，以缓解信号衰减问题。同时，引入时空门控卷积对嵌入残差进行平滑约束，以改善视觉质量。为抵御压缩攻击，模型在训练阶段集成了可微分H.264压缩模拟模块，使解码器具备面向压缩失真的自适应特征学习能力。

ResiMark总体框架图

在Hollywood2、Kinetics-400等基准数据集上的大量实验结果表明，ResiMark在维持视觉质量（PSNR=46.92 dB，LPIPS=0.011）的前提下，在多种攻击条件下水印提取的平均准确率为98.47%，较现有主流方法提升约2.7%。同时，该网络在不同嵌入容量和视频分辨率下均保持稳定的提取性能，验证了它的有效性与鲁棒性。

ResiMark与9种方法的鲁棒性对比

ResiMark与9种方法的不可感知性对比

我校大数据与计算机科学学院2024级网络与信息安全专业硕士研究生焦孟祺为论文第一作者，熊祥光副教授为论文通讯作者。该研究得到了国家自然科学基金（U22A2026）、贵州省科技厅黔科合平台人才基金（BQW[2024]015）及贵州省基础研究计划（[2026]475）的联合资助。

论文全文链接：https://ieeexplore.ieee.org/document/11655366