Jul, 2018

基于生成对抗网络的隐形隐写术

PDF
TL;DR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。
convolutional neural networkssteganalysisimage steganographygenerative adversarial networksmixed loss function
发现论文，激发创造
  • 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

  • SSGAN: 基于生成对抗网络的安全隐写

    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

  • 基于可逆条件神经网络的彩色图像深度隐写术：安全且无损

    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

  • 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

  • 卷积神经网络隐写分析在隐写术中的应用

    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

  • 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

  • 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

  • SteganoGAN: 利用 GAN 进行高容量图像隐写

    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

  • 通过对抗训练生成隐写图片

    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

  • 深度概率模型中的图像隐藏

    使用深度概率模型，将秘密图像隐藏在某个空间中，生成随机噪声图来使秘密图像难以被检测，实现了多图像隐写和增强模型安全性。

    Oct, 2022