文中讨论深度神经网络的鲁棒性,探索使用对抗干扰来做数据隐藏的可行性,并展示了效果竞争力强的编码技术及其在对抗干扰下的鲁棒性的改进方式。
Jul, 2018
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。
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
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
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
本研究提出了一种基于 3D-CNN 的条件概率模型方法,用于直接建模图像自动编码器隐层表示的熵,从而控制重构误差和信息熵之间的平衡关系,该方法在 MS-SSIM 能力测试中表现优异,成为一种最新的图像压缩系统。
Jan, 2018
研发了一种新型变分自编码器,采用 Deep Generative Deconvolutional Network 作为潜在图像特征的解码器,采用卷积神经网络作为图像编码器,支持建模带标签 / 标题的图像;在测试时,通过对分布的平均来预测标签 / 标题。
Sep, 2016
我们提出了一个端到端的学习图像数据隐藏框架,通过在通用神经压缩器的潜在表示中嵌入和提取秘密信息。通过结合我们提出的消息编码器和解码器以及感知损失函数,我们的方法同时实现了高质量和高比特准确性的图像。与现有技术相比,我们的框架在压缩领域提供了优秀的图像保密性和竞争性的水印鲁棒性,而且嵌入速度加快了 50 倍以上。这些结果展示了组合数据隐藏技术和神经压缩的潜力,并为开发神经压缩技术及其应用提供了新的见解。
Oct, 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
提出了一种新颖的生成自编码器网络模型,能够高质量、高分辨率地学习编码和重建图像,并支持从编码器的潜在空间进行平滑的随机采样。