Jul, 2017

SSGAN: 基于生成对抗网络的安全隐写

PDF
TL;DR本文提出了一种基于生成对抗网络的安全隐写术新策略，使用新形式的对抗生成网络取得了显著的收敛速度和图像质量改进，并重构了隐写分析网络以更好地评估生成图像的性能，在公共数据集上进行了大量实验以证明所提方法的有效性和鲁棒性。
secure steganographygenerative adversarial networksdiscriminative networkssteganalysis networkinformation hiding
发现论文，激发创造
  • 基于生成对抗网络的隐形隐写术

    本研究提出了一种名为 ISGAN 的卷积神经网络结构，使用生成对抗网络，混合损失函数等方法，将灰度图像嵌入到彩色图像的 Y 通道中进行隐蔽，并在接收端精确地提取出秘密图像。实验表明，该方法在数据集 LFW，Pascal VOC2012 和 ImageNet 上达到了最先进水平。

    Jul, 2018

  • 隐写生成对抗网络

    本研究提出了一种基于深度卷积生成式对抗网络（Deep Convolutional Generative Adversarial Networks）的生成更安全的隐秘嵌入图像和标准隐写算法的方法，实验结果表明该方法成功地欺骗了隐写分析器，并可用于隐写应用。

    Mar, 2017

  • 堆叠式生成对抗网络

    本文提出了一种名为 SGAN 的新型生成模型，其利用自底向上的判别网络的分层表示创造了一个自上而下的 GAN 堆栈，对其进行反演。通过引入表示鉴别器和条件损失并使用多个噪声向量，SGAN 能够生成质量更高的图像。

    Dec, 2016

  • 结构式生成对抗网络

    该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

    Nov, 2017

  • 采样生成隐写术

    本文提出一种新的数据驱动信息隐藏方案，称为采样生成式隐写术（GSS），引入了 Jensen-Shannon 离散度作为评估隐写术安全性的新标准。通过基于生成对抗网络训练的生成器，实现语义图像修复进而嵌入信息。实验结果表明，该方案在定性和定量评估方面具有潜力。

    Apr, 2018

  • 隐写网络中的隐写术

    针对深度神经网络在隐写学中应用面临的网络巨大，如何在公共频道中隐蔽传输的问题，本文提出一种基于模型伪装的新方法，即将秘密神经网络模型伪装成普通的机器学习模型，并用部分优化策略激活并调节子集滤波器来保留其对秘密任务的功能，其余滤波器被激活来伪装整个秘密 DNN 模型成一个普通的机器学习模型。实验表明，该方法优于现有的隐蔽传输方案在秘密 DNN 模型和一般 DNN 模型的隐蔽传输方面。

    Feb, 2023

  • SGAN：一种生成对抗网络的替代训练方法

    本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

    Dec, 2017

  • 通过对抗训练生成隐写图片

    本文使用对抗训练技术进行隐写算法的研究，提出了一个含有三个参与者的博弈模型 (Alice、Bob 和 Eve)，通过神经网络的方式训练隐写算法和隐写分析器。无监督的训练方式不仅产生了一个鲁棒性的隐写技术，而且还产生了一个在两个不同的图像数据集上均表现出色的隐写分析器。

    Mar, 2017

  • StackGAN++：堆叠生成对抗网络实现逼真图像合成

    本文提出了堆叠式生成式对抗网络 (Stackgan)，该网络采用两个阶段和多个生成器和判别器构成的树状结构，用于高分辨率、逼真的图像生成。经过大量实验验证，该网络在生成逼真图像方面表现优于其他方法。

    Oct, 2017

  • 正则化生成对抗网络

    提出一个基于对抗生成网络的新模型 RegGAN，该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器，以便从与训练集概率分布不同的概率分布中生成样本，并可用于学习拓扑学中的某些先验概念。

    Feb, 2021