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
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
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
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。
Jan, 2022
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
利用神经语言模型和算术编码的隐写术技术,生成真实的语言覆盖句,并与语言模型分布相匹配,同时保护安全性。
Sep, 2019
利用人脸特性,隐蔽地将较长的音频数据隐藏在身份图像中,实现 THInImg 的编码和解码方法,能够在 160x160 分辨率的身份图像中展示高质量的 80 秒说话头视频(包括音频)。
Nov, 2023
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
这篇综述论文提供了基于深度学习的鲁棒隐写分析方法的全面概述,包括图像、音频和视频等各种类型的鲁棒隐写分析,讨论了最常用的深度学习技术,并探讨了更先进的深度学习技术如深度迁移学习(DTL)和深度强化学习(DRL)在提升隐写分析系统性能方面的应用。同时,文中还系统回顾了该领域最近的研究,包括使用的数据集和评估指标,并对基于 DTL 的隐写分析方法及其在不同数据集上的性能进行了详细分析。整篇综述最终讨论了目前基于深度学习的隐写分析研究的现状、挑战和未来研究方向。
Aug, 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