Nov, 2017

卷积神经网络隐写分析在隐写术中的应用

PDF
TL;DR本文提出一种新方法，在最小化失真的标准下，提高图像隐写术的性能界限。该方法利用隐写分析卷积神经网络框架来理解图像的模型，并在不易被探测的区域进行嵌入以保留模型。实验结果表明，在广泛的低相对负载范围内，与 HUGO、S-UNIWARD 和 HILL 等最先进的隐写分析技术相比，所提出的算法表现优异。
发现论文，激发创造
  • 基于 CNN 的隐写术 -- 将机器学习与已有的隐写技术融合

    本文介绍了一种增强隐写术的方法，即通过引入一种名为 SA-CNN 的隐写助手卷积神经网络。实验证明，采用 SA-CNN 生产的隐写图像具有更好的抗隐写分析能力，并且能够适应各种盖媒体的不同特征。

    Apr, 2023

  • 一种新型带有共享归一化的图像隐写分析卷积神经网络

    该研究探索在图像隐写分析中，基于深度学习的技术，使用批量归一化和共享归一化提高原有模型的性能，并实验证明所提出的共享归一化技术在图像隐写分析中有稳定的表现且优于之前的方法。

    Nov, 2017

  • 利用噪声残差卷积神经网络进行空间域取证视频隐写分析

    该研究评估了一种卷积神经网络（CNN）的方法来进行法医视频隐写分析，使用一个噪声残差的卷积神经网络来检测嵌入式的秘密，实验结果表明，CNN 方法可以是一种有效的法医视频隐写分析方法，可以达到 99.96% 的检测率。

    May, 2023

  • 针对图像隐写术的端到端训练的 CNN 编码器 - 解码器网络

    这篇论文提出了一种基于卷积神经网络的编码器 - 解码器架构，用于将图像嵌入载体图像作为负载，通过端到端训练来确保最大负载容量和图像质量，并在多个公共数据集（如 MNIST，CIFAR-10，ImageNet，LFW 等）上进行了实证研究，取得了最先进的性能。

    Nov, 2017

  • 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

  • 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

  • StegNet: 深度卷积网络实现的超大图像隐写容量

    本文运用深度卷积神经网络和图像隐写术，将安全地嵌入隐藏信息的传统图像隐写术与图像 - 图像隐写术相结合，并成功地将具有巨大负载容量的图像进行隐藏，同时仍然对统计分析具有鲁棒性，通过最小化图像覆盖变化的方法，实现 98.2% 的解码率或 23.57bpp。

    Jun, 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

  • 学习迭代神经优化器用于图像隐写术

    通过训练迭代神经网络实现图像隐写术的优化，保持网络数据尽可能接近自然图像流形，从而达到更高的速度和可靠性，且在无需纠错码的情况下可将恢复误差率降至零。

    Mar, 2023

  • 隐写分析的持续学习

    本文提出了一种基于精确的参数重要度估计（APIE）的连续学习方案，用于检测新兴隐写算法，并应用于实际场景中，通过对之前的训练流程中网络参数的重要性进行评估，在训练新的隐写图像数据集的过程中有效并高效地更新其网络参数，从而使得隐写分析模型能够学习新隐写算法的特征模式，而不会明显降低之前隐写算法的检测性能。实验证明，该方案对新兴隐写算法具有良好的扩展性。

    Sep, 2022