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
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
我们提出了一种新的图像隐写术框架 CRoSS,使用扩散模型获得可控性、鲁棒性和安全性优势,相比基于封面的方法有显著的优势,并在实验中进行了验证。
May, 2023
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
通过使用扩散模型来增强嵌入多个图像到单个容器的安全性和容量,本研究介绍了层次图像隐写术。层次图像隐写术根据图像的重要性分配不同程度的鲁棒性,以增强对篡改的保护。它灵活利用了扩散模型的鲁棒性和流模型的可逆性。通过集成 Embed-Flow 和 Enhance-Flow,提高了嵌入效率和图像恢复质量,使其与传统的多图像隐写术技术有所区别。这种创新的结构能够自动生成容器图像,从而安全高效地隐藏多个图像和文本。经过严格的主观和客观评估,我们的优势在于分析抗性、鲁棒性和容量,显示出其在内容保护和隐私加固方面的广泛适用性。
May, 2024
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。
May, 2023
本文研究了图像扩散模型,如 DALL-E 2,Imagen 和 Stable Diffusion,发现它们从训练数据中记忆单个图像并在生成时发射此类图像,总结了此类模型的隐私风险和影响隐私保护培训的新进展。
Jan, 2023
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
本文提出了一种名为 SeDID 的新型检测方法,它利用了扩散模型的特殊属性,即确定性逆和确定性降噪计算误差,分别采用基于统计的 SeDID_Stat 和基于神经网络的 SeDID_NNs,实验证明 SeDID 在应用于扩散模型时优于现有方法,并对区分扩散模型生成的图像做出重要贡献,成为人工智能安全领域的重要一步。
Jul, 2023
为满足多种 XR 设备的需求,我们介绍了一种名为 StereoDiffusion 的方法,该方法与传统的修复流程不同,无需训练即可轻松使用,并与原始的 Stable Diffusion 模型完美集成。我们的方法通过修改潜变量,能够快速生成立体图像对,无需微调模型权重或对图像进行后处理。使用原始输入生成左图像并为其估计视差图,我们通过 Stereo Pixel Shift 操作生成右图像的潜向量,同时辅以 Symmetric Pixel Shift Masking Denoise 和 Self-Attention Layers Modification 方法,将右图像与左图像对齐。此外,我们提出的方法在整个立体生成过程中保持了高水平的图像质量,在各种定量评估中取得了最先进的成绩。
Mar, 2024