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
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
本文提出了一种纯净统一的隐写网络 (PUSNet),它通过在纯净网络中执行普通的机器学习任务,并使用不同的密钥转化为秘密嵌入或恢复的隐写网络,实现了秘密图像嵌入、恢复和图像去噪的优秀性能。
Feb, 2024
本文提出一种新的数据驱动信息隐藏方案,称为采样生成式隐写术(GSS),引入了 Jensen-Shannon 离散度作为评估隐写术安全性的新标准。通过基于生成对抗网络训练的生成器,实现语义图像修复进而嵌入信息。实验结果表明,该方案在定性和定量评估方面具有潜力。
Apr, 2018
本文提出了一种基于生成模型的无盖信息隐藏方法。相对于传统的图像隐写术,该方法传输的图像不嵌入任何秘密信息,因此能有效抵抗隐写分析工具,具有较高的信息容量、安全性和可靠性。
Feb, 2018
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
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
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
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