采样生成隐写术
本文提出了一种新的生成隐写术方案,即 Generative Steganography Diffusion (GSD),通过设计一种可逆扩散模型 StegoDiffusion 来生成逼真的隐写图像,并能够 100%地恢复隐藏的秘密数据,该方案具有可逆性和高性能的优点,将现有方法在所有指标上显著优化。
May, 2023
本文提出了一种基于流的生成隐写方法 (Generative Steganographic Flow, GSF),该方法提供了直接生成隐写图像而不需要覆盖图像的方法。我们采用可逆的双射映射方法,在输入的秘密数据和生成的隐写图像之间建立一个可逆的双射映射。此外,我们提出了一种新的潜在优化策略来提高隐写图像的保真度。实验结果表明,GSF 比之前的方法有更好的性能。
May, 2023
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。
Jul, 2017
本文提出一种名为 ADG 的具有可证明安全性的生成语言隐写方法,该方法使用自适应动态分组的令牌递归嵌入秘密信息以提高安全性。 通过在三个公共语料库上进行广泛实验,证明了 ADG 的不可察觉性并成功生成几乎完美安全的隐写文本。
Jun, 2021
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
这篇研究论文深入探讨数字保护,特别聚焦于信息隐藏技术。通过引入评估已解码信息的新颖度量标准 “信息准确性”,我们解决了以往研究局限于个别位解码的问题。此外,我们提出了一种适应性通用损失函数 Log-Sum-Exponential(LSE)来增强信息准确性,从而显著改进了最近方法的消息准确性。同时,我们还在我们的框架中引入了一种新的潜在感知编码技术 Approach,利用预训练稳定扩散技术生成先进的隐写图像,实现图像质量和信息恢复之间更好的权衡。通过实验结果,我们展示了新的 LSE 损失和潜在感知编码技术的卓越性能。这种全面的方法在进化评估指标、优化损失函数和创新图像隐藏技术方面迈出了重要一步,旨在实现更强大可靠的信息保护。
Dec, 2023
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
本文提出了一种基于扩散模型的生成隐写方法 ——Diffusion-Stego,该方法采用对潜在噪声进行信息投影的方式来生成隐写图片,并通过迭代去噪的过程来优化生成效果。实验结果表明,Diffusion-Stego 在密度、质量及隐蔽性等方面均取得了较优表现。
May, 2023