May, 2023

生成式隐写流

PDF
TL;DR本文提出了一种基于流的生成隐写方法 (Generative Steganographic Flow, GSF)，该方法提供了直接生成隐写图像而不需要覆盖图像的方法。我们采用可逆的双射映射方法，在输入的秘密数据和生成的隐写图像之间建立一个可逆的双射映射。此外，我们提出了一种新的潜在优化策略来提高隐写图像的保真度。实验结果表明，GSF 比之前的方法有更好的性能。
generative steganographyflow based approachstego imageslatent optimizationdata hiding
发现论文，激发创造
  • 生成隐写扩散

    本文提出了一种新的生成隐写术方案，即 Generative Steganography Diffusion (GSD)，通过设计一种可逆扩散模型 StegoDiffusion 来生成逼真的隐写图像，并能够 100％地恢复隐藏的秘密数据，该方案具有可逆性和高性能的优点，将现有方法在所有指标上显著优化。

    May, 2023

  • 采样生成隐写术

    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

  • 从隐蔽隐藏到视觉编辑：强大的生成式视频隐写术

    通过在视频编辑过程中将秘密信息嵌入语义特征，提出了一种创新的视频隐写术方法。引入了端到端的鲁棒性生成式视频隐写术网络（RoGVS），通过修改视频的语义特征来实现视觉编辑和嵌入秘密信息，通过人脸替换场景展示了其视觉编辑效果。实验证明，RoGVS 方法在面部视频数据集上的应用在鲁棒性和容量两方面优于现有的视频和图像隐写术技术。

    Jan, 2024

  • Diffusion-Stego: 基于消息投影的无需训练扩散生成隐写术

    本文提出了一种基于扩散模型的生成隐写方法 ——Diffusion-Stego，该方法采用对潜在噪声进行信息投影的方式来生成隐写图片，并通过迭代去噪的过程来优化生成效果。实验结果表明，Diffusion-Stego 在密度、质量及隐蔽性等方面均取得了较优表现。

    May, 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

  • 可证明安全的生成式语言隐写术

    本文提出一种名为 ADG 的具有可证明安全性的生成语言隐写方法，该方法使用自适应动态分组的令牌递归嵌入秘密信息以提高安全性。 通过在三个公共语料库上进行广泛实验，证明了 ADG 的不可察觉性并成功生成几乎完美安全的隐写文本。

    Jun, 2021

  • 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

  • 基于双流的无嵌入图像隐写术

    DF-SWE 是第一种可以将大型图像和多个图像隐藏到具有相同大小的图像中的 SWE 方法，大大增加了有效载荷容量。

    Nov, 2023

  • 零封装生成型语言隐写术

    本研究提出了一种基于上下文学习的零样本方法，用于语言隐藏，以更好地实现感知和统计上的不可察觉性，并设计了几个新的度量标准和可复现的语言评估方法来衡量隐藏文本的隐晦性。实验结果表明，该方法产生了比其他任何方法更多的无罪和可理解的隐藏文本。

    Mar, 2024

  • 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