Geo-Information Science · Vector Map Copyright Protection

基于双流图神经网络的矢量地图零水印算法

Zero-watermarking Algorithm for Vector Maps Based on Dual-stream Graph Neural Network
奚旭 王世龙 罗秀珍 杜景龙 张新长 地球信息科学学报 2026, 28(9): 2829–2841 DOI 10.12082/dqxxkx.2026.260166
Abstract · 摘要 【目的】针对现有矢量地图零水印算法依赖人工特征、鲁棒性与安全性不足的问题,本文旨在构建一种融合图注意力网络(GAT)的强鲁棒性零水印算法,以提升在复杂复合攻击下的版权保护能力。【方法】首先将矢量地图要素抽象为混合图结构,并采用KNN+Delaunay统一建图策略兼顾局部密集连接与全局连通性;区别于依赖人工设计几何特征的传统零水印方法,本文设计节点-图解耦编码的双流图注意力架构,由节点流经动态注意力捕获局部拓扑依赖、图流提取全局几何语义,并在融合层实现多尺度特征的非线性统一映射,从而摆脱对人工特征的依赖;训练阶段采用融合对比学习、相似性、多样性与二值化一致性的多目标联合优化策略,在同一目标下协同提升特征的鲁棒性与唯一性;在零水印构建时,通过唯一注册编号加时间戳的独立密钥对版权图像加密,以增强安全性。【结果】选取6个涵盖点、线、面图层的典型矢量地图数据集进行实验,并施加拓扑、几何变换与信息三大类共10种攻击及其顺序叠加的复合攻击。结果表明,该算法在各类攻击下均表现出强鲁棒性:在3类单体攻击下,还原水印的平均 NC 值均保持在0.9以上;尤其在顺序叠加全部10种攻击、同时涉及顶点级、对象级、几何变换与拓扑扰动的极端复合攻击下,6个数据集还原水印图像的平均归一化相关系数(NC)达到0.95,而性能最优的对比方法仅为0.65,且多种对比方法不支持点数据,所提方法提取的水印图像仍清晰可辨,显著优于现有基线方法。【结论】本文提出的基于图神经网络的双流融合零水印算法,通过图流-节点流解耦编码及多目标联合优化,在不修改原始数据、保持矢量地图几何精度的前提下学习高度鲁棒且跨场景一致的水印特征,有效克服了传统方法对人工特征的依赖,在多种复合攻击条件下均具备卓越的鲁棒性与泛化能力;其所采用的表示学习范式对交通网络、三维几何模型等其他非欧数据的鲁棒特征提取亦具参考价值,为高精度矢量地图的版权保护提供了一种可靠的技术方案。
零水印 矢量地图 图注意力网络 对比学习 鲁棒性 双流图神经网络
Scroll · 向下滚动
Section 01 · Background & Challenges

高精度矢量地图的版权之困:三点共性缺陷

矢量地图在智慧城市、国土规划、导航服务与环境监测中应用广泛,是国家战略性信息资源,其几何精度高、生产成本高、更新周期长。数字化共享与流通过程中,非法复制与传播使数据生产方利益受损。嵌入式水印需修改坐标或变换域系数,在鲁棒性与数据质量之间难以兼顾;零水印不修改原始数据,已成为高精度矢量地图保护的首选,但既有方法仍存在三点共性缺陷。

CHALLENGE 01

依赖人工设计特征

早期零水印从顶点数量、距离比、角度分布等全局统计量或空间拓扑不变量构建版权签名,能抵抗几何变换却对顶点级攻击鲁棒性不足;Delaunay 三角网、Voronoi 图等计算几何结构虽提升了对顶点删除与插入的抵抗能力,但其稳定性仍建立在特定几何假设之上,表达能力与跨场景泛化能力受限。

CHALLENGE 02

难以抵抗复合攻击

现有方法多针对单一类型攻击设计,难以同时抵抗顶点编辑、几何变换与拓扑扰动交织的复合攻击。可逆水印的鲁棒性通常依赖顶点序列完整性,一旦序列被破坏即可能失效;频率域方法仅对仿射变换具有一定稳定性,在真实编辑环境下鲁棒性随攻击类型变化而波动。

CHALLENGE 03

浅层特征安全性不足

手工设计的浅层特征容易被逆向工程破解,特征提取规则一旦泄露,攻击者可针对性地构造对抗样本,导致水印失效。与此同时,矢量地图是不规则分布的非欧数据,缺乏卷积神经网络所需的规则网格结构,深度学习在水印领域的既有框架难以直接迁移。

3 点现有零水印共性缺陷
人工特征 · 复合攻击 · 安全性
10 种攻击操作
拓扑 / 几何变换 / 信息三大类
5 种代表性基线方法
零水印与嵌入式两类路线
0.85版权判定阈值
NC ≥ 0.85 判定归属成立

Section 02 · Framework & Architecture

四阶段流程:从混合图构建到零水印验证

算法整体流程依次包括矢量地图表示与图构建、双流图注意力编码、多目标联合优化以及零水印生成与验证 4 个阶段。其核心设计是节点—图解耦:节点流利用动态注意力捕获顶点间的局部拓扑依赖,增强对裁剪、插入与删除的鲁棒性;图流通过独立编码器提取高层几何语义,确保在平移、旋转与缩放等仿射变换下的稳定性。

01

矢量地图表示与混合图构建

提取各要素质心坐标,采用 KNN + Delaunay 统一建图:先用 KD 树加速的 K 近邻搜索连接最近的 k 个邻居,k 随节点数 n 按 k(n)=clip(round(2log₁₀n+2), 1, min(12, n−1)) 自适应取值,兼顾小图连通性与大图计算开销;再对所有质心执行 Delaunay 三角剖分保证全局连通,最后取两类边并集去重。每个要素提取 18 维几何不变特征,分为图流 8 维与节点流 10 维。

KNN 局部连接Delaunay 三角剖分KD 树加速18 维几何不变量
02

节点—图解耦的双流注意力编码

图流特征经独立参数化编码器直接提取全局语义;节点流特征经两层 GATv2 卷积(8 头注意力、隐藏层 256 维,附 GraphNorm、ELU 与残差连接)实现层次化邻域聚合,并以均值、最大与注意力三种池化拼接为 768 维,与图流 128 维拼接成 896 维融合特征,再经前馈网络(896→512→1024,附 LayerNorm、ReLU 与 Tanh)映射为 1024 维输出,Dropout 为 0.3。

GATv2Conv8 头注意力GraphNorm多尺度池化1024 维特征
03

多目标联合优化

以「原始图—攻击图」配对进行对比学习:43 个原始矢量实例,每个生成 338 个受攻击样本,构成 14 534 个训练样本对。训练目标由 InfoNCE 对比损失(温度系数 τ=0.1)、相似性损失(权重 0.5)、多样性损失(0.3)与二值化一致性损失(1.0)构成,并采用「前期重唯一性→中期平衡→后期重鲁棒性」的三阶段动态权重调度。

InfoNCE对比学习二值化一致性AdamWOneCycleLR
04

零水印生成与验证

特征重塑为 32×32 并以中位数为阈值二值化得到二值特征图像 B;对 32×32 版权图像以 SHA-256 对「UUID + 时间戳」哈希生成混淆密钥 Ks,按 T=(Ks mod N²)+1 迭代执行 Arnold 变换置乱得到 C′,按位异或生成零水印 Z=B⊕C′。验证时对特验地图重复前三步得到 B′,异或后经逆变换复原版权图标,NC ≥ 0.85 判定版权归属成立。

SHA-256 密钥Arnold 置乱按位异或第三方可信机构NC 度量
SUPPLEMENT A · 实验数据集

覆盖点、线、面图层的多区域数据

数据取自 OpenStreetMap 与中国国家地理信息公共服务平台,含 43 个训练实例与 91 个测试实例,二者来源于不同地理区域:训练集主要取自天津、安徽、湖北、江西,测试集取自江苏、浙江、上海,通过地理区域划分确保无数据重叠。每个实例包含道路、建筑、水系等多类地理要素,并从中选取 6 个未参与训练的数据集用于实验展示。

SUPPLEMENT B · 实验设置

训练配置与攻击设置

采用 AdamW 优化器(权重衰减 0.01)与 OneCycleLR 调度,峰值学习率 1.5×10⁻³,训练轮次 12 并配合早停,批次大小 6,启用混合精度与梯度裁剪(上限 1.0);自监督对比学习不依赖标签,故未单独划分验证集。实验覆盖拓扑攻击(顶点删除/增加、对象删除、拓扑顺序打乱)、几何变换攻击(平移、缩放、旋转、翻转)、信息攻击(噪声扰动、裁剪)共 10 种操作,以及顺序叠加全部 10 种攻击的极端复合攻击测试。


Section 03 · Experimental Results

单体攻击、复合攻击与消融实验

实验系统评估方法的鲁棒性、可判别性与实用性:对 6 个数据集分别做 10 种单体攻击与顺序叠加全部 10 种攻击的极端复合攻击测试,与 5 种代表性基线方法对比,并以 NC(归一化相关系数)度量提取水印与原始水印的相似性。

0.95极端复合攻击平均 NC
6 个数据集 · 本文算法
0.65最优对比方法平均 NC
Tan 等复合混沌零水印
0.9 以上三类单体攻击平均 NC
拓扑 / 几何变换 / 信息
0.72唯一性最大 NC
越低越易区分 · 无假阳性
数据集 Tan 等 Wu 等 Xi 等(混合域比值) Xi 等(虚拟顶点) Lin 等 本文算法
行政区 0.58 0.46 0.54 0.48 0.44 0.96
边界线 0.30 0.44 0.55 0.48 0.48 0.94
POI 1 0.40 算法不支持点数据 算法不支持点数据 算法不支持点数据 0.97
公共设施 0.67 0.45 0.49 0.47 0.65 0.98
铁路 0.32 0.49 0.48 0.49 0.49 0.84
居民点 1 0.51 算法不支持点数据 算法不支持点数据 算法不支持点数据 0.97
平均 0.65 0.46 0.52 0.48 0.52 0.95
消融变体 复合攻击平均 NC 唯一性最大 NC
仅节点流 0.85 0.69
仅图流 0.96 0.96
双流融合,图卷积 0.85 0.76
本文(双流融合,图注意力机制) 0.95 0.72
FINDING 01 · 顶点级攻击

注意力聚合相对拓扑而非绝对序列

在顶点删除、增加、对象删除与顺序打乱攻击下,对比方法高度依赖顶点序列完整性,NC 随攻击强度持续衰减。本文依托节点流的图注意力机制对各顶点局部邻域自适应加权聚合,刻画的是节点间相对拓扑关系,故对顶点增删与重排不敏感,高强度顶点级攻击下仍维持稳定特征表达。

FINDING 02 · 几何变换攻击

图流几何不变量提供仿射不变性

图流特征由最小外接矩形长宽比、矩形度、实心度、孔洞数量等几何不变量构成,这些量在仿射变换下保持不变,因而能稳定提取与坐标系和尺度无关的全局几何语义。相比之下,部分对比方法的特征仅针对特定变换场景人工构建,难以同时覆盖平移、缩放、旋转与翻转,鲁棒性随变换类型波动。

FINDING 03 · 信息攻击与消融

局部参考系编码与双流不可替代

噪声仅对局部坐标产生有界扰动,裁剪虽移除部分要素但保留要素的局部邻域结构仍可被注意力稳定刻画,故信息类攻击影响较小。消融显示:仅节点流平均 NC 降至 0.85;仅图流虽达 0.96,但唯一性最大 NC 高达 0.96,存在严重假阳性风险;替换为普通图卷积后 NC 由 0.95 降至 0.85。

在顺序叠加全部 10 种攻击、同时涉及顶点级、对象级、几何变换与拓扑扰动的极端复合攻击下,6 个数据集还原水印图像的平均 NC 达到 0.95,而性能最优的对比方法仅为 0.65,本文方法较其提升约 0.30,且提取出的水印图像仍清晰可辨。

— 核心发现 · 基于双流图神经网络的矢量地图零水印算法

Section 04 · Conclusion & Prospect

三项成果、应用价值与后续议程

针对矢量地图零水印依赖人工特征、难以抵抗复合攻击的问题,本文提出基于双流图注意力网络的零水印算法,将矢量要素抽象为混合图,通过节点—图解耦的双流编码与多目标联合优化,学习高度鲁棒且跨场景一致的零水印特征。

CONTRIBUTION 01

混合图表示与几何不变量

提出结合 KNN + Delaunay 的混合图表示与节点—图级几何不变量,为每个矢量要素构建 18 维特征(图流 8 维刻画全局结构属性、节点流 10 维刻画局部空间差异),为分布不规则的非欧矢量数据提供了稳定的图表示。

CONTRIBUTION 02

双流注意力编码架构

设计采用残差连接和多尺度池化的双流注意力编码架构:节点流以动态注意力捕获局部拓扑依赖,图流以独立编码器提取全局几何语义,融合层实现非线性统一映射,使水印特征同时对顶点级与几何级攻击鲁棒。

CONTRIBUTION 03

多目标优化与充分验证

提出融合 InfoNCE 对比损失、相似性正则化、多样性约束与二值化一致性的多目标优化策略,协同提升特征的鲁棒性与唯一性。实验表明复合攻击下平均 NC 达 0.95,三类单体攻击下平均 NC 均保持在 0.9 以上,鲁棒性与泛化能力显著优于现有基线方法。

APPLICATION VALUE

应用价值

算法在不修改原始数据、保持矢量地图几何精度的前提下实现版权保护,可服务于高精度矢量地图的非法复制追溯与确权认证,并可与第三方可信机构的注册凭证机制结合落地。其所采用的表示学习范式对交通网络、社交信息图、三维几何模型等非欧数据的知识产权保护、篡改检测与溯源追踪具有潜在应用价值。

LIMITATIONS & FUTURE

局限与未来

受篇幅所限,后续将开展:系统的消融实验与参数敏感性分析,包括 4 项损失的逐项消融及 K 值、损失权重与 NC 阈值敏感性实验;安全性与工程实用性深入论证,包括密钥空间分析、破解难度、篡改攻击下认证可靠性测试与时间复杂度分析;面向工程落地的轻量化模型设计、融合区块链确权溯源,以及多尺度图构建优化与跨区域、跨比例尺泛化研究。