基于时间残差建模的卷积视频隐写术
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
通过在视频编辑过程中将秘密信息嵌入语义特征,提出了一种创新的视频隐写术方法。引入了端到端的鲁棒性生成式视频隐写术网络(RoGVS),通过修改视频的语义特征来实现视觉编辑和嵌入秘密信息,通过人脸替换场景展示了其视觉编辑效果。实验证明,RoGVS 方法在面部视频数据集上的应用在鲁棒性和容量两方面优于现有的视频和图像隐写术技术。
Jan, 2024
本文介绍了一种大容量和灵活的视频隐写网络 (LF-VSN),提出了一种可逆的管道,可以通过单个神经网络隐藏 / 恢复多个秘密视频,还介绍了一种可控密钥方案,使不同的接收者能够从相同的覆盖视频中恢复特定的秘密视频。同时,为多个视频隐藏提供了可伸缩策略,可以通过单个模型和单个训练会话在覆盖视频中隐藏不同数量的秘密视频。经过广泛的实验证明,在视频隐写性能显著提高的同时,我们提出的 LF-VSN 具有高安全性,大隐藏容量和灵活性。
Apr, 2023
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。
Nov, 2017
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
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
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