1.一种基于生成对抗网络的不可感知水印攻击方法，其特征在于，包括以下步骤：S1：冗余信息加强；

对训练集进行了冗余信息加强的数据预处理方案；

S2：构造损失函数；

在特征比较的基础上，对感知损失进行改进，将峰值信噪比引入感知损失中；

S3：构造基于生成对抗网络的水印攻击模型；

S4：构造通道注意力机制网络模型；

通过在基于生成对抗网络的水印攻击模型的残差网络中添加注意力机制了来增强输入特征图的有用信息并抑制了噪声，从而提高了模型性能;损失函数为： （1）

其中： 为逐像素的MSE损失函数；

为使用预训练的VGG16模型构成的感知损失；

是用于计算图像的总变分损失；

计算了正确标签和模型输出之间的差异；

计算了输入和输出图像的峰值信噪比；

为函数中每一个损失函数占总损失的比重，通过实验不断调整得到最佳数值；

（2）

其中： 表示图像第 行第 列的像素值；

、 分别表示当下像素下方和右方的像素值；

          （3）

其中： 表示模型输出的预测结果；

表示样本总数；

使用torch.mean()函数对每个样本的对抗损失进行求平均，返回整个训练当中的对抗损失；在图像损失的基础上，增加峰值信噪比平均值作为额外的损失项，得到 ;通道注意力机制网络模型工作流程为：S41：使用全局平均池化算子对输入特征进行降维；

S42：经过两个线性层实现非线性变换；

S43：后通过Sigmoid激活函数将输出的特征值范围限制在0‑1之间；

S44：将注意力机制网络模型的权重通过维度扩展与输入特征进行逐元素乘积，从而实现对通道重要性的加权；

S45：生成相应的输出。

2.根据权利要求1所述的基于生成对抗网络的不可感知水印攻击方法，其特征在于：所述S1的具体流程为：S11：放大水印信息；

S12：对训练集进行了高斯噪声添加预处理；

为水印攻击训练集添加了Sigma=5的高斯噪声。

3.根据权利要求2所述的基于生成对抗网络的不可感知水印攻击方法，其特征在于：通道注意力机制网络模型包含了一个全局平均池化层和两个线性层。

4.根据权利要求1所述的基于生成对抗网络的不可感知水印攻击方法，其特征在于：基于生成对抗网络的水印攻击模型包括生成器及鉴别器。

5.根据权利要求1所述的基于生成对抗网络的不可感知水印攻击方法，其特征在于：生成器由ResBlock模块、下采样、卷积和转置卷积组成。

6.根据权利要求1所述的基于生成对抗网络的不可感知水印攻击方法，其特征在于：鉴别器包括五个卷积层和一个Sigmoid激活函数。