Jan, 2022

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

PDF
TL;DR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。
deep image steganographydata hidingneural networkssecuritylossless extraction
发现论文，激发创造
  • 基于生成对抗网络的隐形隐写术

    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

  • 利用神经表示的深度交叉模态隐写术

    本研究提出了一种基于深度学习的跨模态信息隐藏框架，使用隐式神经表征将多种格式的秘密数据嵌入到覆盖图像中，证明新的方法可扩展，能够容纳不同的模态。

    Jul, 2023

  • 学习迭代神经优化器用于图像隐写术

    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

  • 基于可逆神经网络的大容量、灵活的视频隐写术

    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

  • StegNet: 深度卷积网络实现的超大图像隐写容量

    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

  • 通过隐式表示实现的灵活跨模态隐写术

    INRSteg 是基于一种新颖的数据形式 Implicit Neural Representations (INR) 的创新无损隐写术框架，该框架适用于有效隐藏多个数据而不改变原始 INR，确保高质量的隐写数据，并能在图像、音频、视频和 3D 形状等多种模态中实现未开发的跨模态隐写术，与先前的内模态隐写方法相比，取得了最先进的性能。

    Dec, 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

  • 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

  • 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

  • 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