基于生成模型的无覆盖信息隐藏
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
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
本研究提出了一种基于上下文学习的零样本方法,用于语言隐藏,以更好地实现感知和统计上的不可察觉性,并设计了几个新的度量标准和可复现的语言评估方法来衡量隐藏文本的隐晦性。实验结果表明,该方法产生了比其他任何方法更多的无罪和可理解的隐藏文本。
Mar, 2024
本文提出了一个基于掩蔽语言模型的通用框架,将秘密信息嵌入给定的覆盖文本中,嵌入的信息和原始覆盖文本可以从标记文本中完美地恢复。实验结果表明,所提出的方法具有良好的安全性和语义质量,可应用于许多领域,包括信息隐藏和自然语言处理。
Jun, 2022
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
本文提出了一种基于马尔可夫链模型和哈夫曼编码的隐写术方法,它可以自动生成流畅的文本承载,该模型可以从大量的样本中学习并获得良好的统计语言模型,实验结果表明,该模型的性能优于所有以前相关方法。
Nov, 2018
本文提出一种在图像中使用生成对抗网络隐藏任意二进制数据的新技术,可以优化模型生成的图像的感知质量,实现了每像素 4.4 位的最新载荷,可逃避隐写分析工具的检测,并适用于多个数据集的图像。作者还发布了一个开源库,以便公正比较。
Jan, 2019