StegNet: 深度卷积网络实现的超大图像隐写容量
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
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
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
研究了机器学习和深度学习模型被用于隐写攻击情景,训练了多层感知器、卷积神经网络和 Transformer 模型进行恶意软件分类,发现模型的隐写容量惊人高,并存在阈值后性能急剧下降。
Jun, 2023
通过测试了包括 LR、SVM、MLP、CNN、LSTM、VGG16、DenseNet121、InceptionV3、Xception 和 ACGAN 等模型,研究确定了可替换学习模型参数中的低位数目,以及各模型的层的隐写容量,在大多数情况下,可替换大部分参数位数,并探讨了研究结果的含义和未来研究的可能方向。
Aug, 2023
该研究提出了一种新的基于深度神经网络的图像隐写术,能够在图像中嵌入任意类型的数据并实现安全的数据隐藏和无损的数据提取,同时也能够抵御隐写分析的检测,并在不同情境下实现 100% 的无误差数据提取。
Jan, 2022
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
我们提出了一种基于深度网络的隐秘传输方法,使用渗透策略将秘密深度网络模型潜入一个伪装的普通学习任务中,并使用渗透策略激活干扰滤波器,以实现深度网络模型的隐蔽通信。
Jul, 2023
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