Aug, 2023

关于特定学习模型的隐写容量

PDF
TL;DR通过测试了包括 LR、SVM、MLP、CNN、LSTM、VGG16、DenseNet121、InceptionV3、Xception 和 ACGAN 等模型，研究确定了可替换学习模型参数中的低位数目，以及各模型的层的隐写容量，在大多数情况下，可替换大部分参数位数，并探讨了研究结果的含义和未来研究的可能方向。
发现论文，激发创造
  • 深度学习模型的隐写容量

    研究了机器学习和深度学习模型被用于隐写攻击情景，训练了多层感知器、卷积神经网络和 Transformer 模型进行恶意软件分类，发现模型的隐写容量惊人高，并存在阈值后性能急剧下降。

    Jun, 2023

  • StegNet: 深度卷积网络实现的超大图像隐写容量

    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

  • 卷积神经网络隐写分析在隐写术中的应用

    本文提出一种新方法，在最小化失真的标准下，提高图像隐写术的性能界限。该方法利用隐写分析卷积神经网络框架来理解图像的模型，并在不易被探测的区域进行嵌入以保留模型。实验结果表明，在广泛的低相对负载范围内，与 HUGO、S-UNIWARD 和 HILL 等最先进的隐写分析技术相比，所提出的算法表现优异。

    Nov, 2017

  • 深度学习是一种优秀的隐写分析工具，当不同图像重复使用嵌入密钥时即使存在封面源不匹配的情况下也适用

    本研究探讨了卷积神经网络和全连接神经网络在语音隐写分析中的应用，结果表明相较于传统的 Rich Models（RM）集成分类器（EC）方法，如果 CNN 和 FNN 被很好的参数化，其结果更胜一筹，演示了在 clairvoyant 场景下，CNN 和 FNN 相较于 RM 与 EC 的分类错误率降低 16％以上，并且在封面 - 源不匹配情况下表现自然而强大。

    Nov, 2015

  • 深度网络隐写学：从网络到网络

    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

  • 深度学习用于不同数据类型隐写分析的综述

    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

  • 利用神经表示的深度交叉模态隐写术

    本研究提出了一种基于深度学习的跨模态信息隐藏框架，使用隐式神经表征将多种格式的秘密数据嵌入到覆盖图像中，证明新的方法可扩展，能够容纳不同的模态。

    Jul, 2023

  • 学习迭代神经优化器用于图像隐写术

    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

  • 基于 CNN 的隐写术 -- 将机器学习与已有的隐写技术融合

    本文介绍了一种增强隐写术的方法，即通过引入一种名为 SA-CNN 的隐写助手卷积神经网络。实验证明，采用 SA-CNN 生产的隐写图像具有更好的抗隐写分析能力，并且能够适应各种盖媒体的不同特征。

    Apr, 2023

  • 针对图像隐写术的端到端训练的 CNN 编码器 - 解码器网络

    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