Sep, 2023

固定神经网络隐写的安全性

PDF
TL;DR图像隐写术是通过一种对未经授权的各方不可察觉的方式将秘密信息隐藏在图像中的艺术。最近的研究表明，可以使用固定神经网络（FNN）进行秘密嵌入和提取。然而，现有的固定神经网络隐写（FNNS）方案存在易受攻击的问题。为了解决这个问题，我们提出了一种基于密钥的 FNNS 方案，通过从 FNN 生成密钥控制的扰动来改善 FNNS 的安全性。为了提高隐写图像的视觉质量和不可检测性，我们进一步提出了一种自适应扰动优化策略。实验结果表明，我们的方案能够防止未授权的秘密提取，并且相比最先进的 FNNS 方案，尤其是当 FNN 是用于普通学习任务的神经网络时，我们的方案能够生成具有更高视觉质量的隐写图像。
发现论文，激发创造
  • 隐写网络中的隐写术

    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

  • 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

  • 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

  • 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

  • 纯化和统一的隐写网络

    本文提出了一种纯净统一的隐写网络 (PUSNet)，它通过在纯净网络中执行普通的机器学习任务，并使用不同的密钥转化为秘密嵌入或恢复的隐写网络，实现了秘密图像嵌入、恢复和图像去噪的优秀性能。

    Feb, 2024

  • 基于生成对抗网络的隐形隐写术

    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。

    Jul, 2018

  • 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

  • 神经语言隐写术

    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

  • 基于可逆神经网络的大容量、灵活的视频隐写术

    本文介绍了一种大容量和灵活的视频隐写网络 (LF-VSN)，提出了一种可逆的管道，可以通过单个神经网络隐藏 / 恢复多个秘密视频，还介绍了一种可控密钥方案，使不同的接收者能够从相同的覆盖视频中恢复特定的秘密视频。同时，为多个视频隐藏提供了可伸缩策略，可以通过单个模型和单个训练会话在覆盖视频中隐藏不同数量的秘密视频。经过广泛的实验证明，在视频隐写性能显著提高的同时，我们提出的 LF-VSN 具有高安全性，大隐藏容量和灵活性。

    Apr, 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