Jul, 2024

基于深度生成模型的可分割固定神经网络隐写术

HTML
PDF
TL;DR图像隐写术是通过微细的干扰将秘密数据隐藏在封面图像中的过程。最近的研究显示可以使用固定的神经网络进行数据嵌入和提取，这种固定神经网络隐写术（FNNS）在无需训练网络的情况下展现出有利的性能，使其在实际应用中更具实用性。然而，现有的FNNS方法生成的隐写图像存在较高的畸变，容易被隐写分析工具检测出来。为了解决这个问题，我们提出了一种Cover-separable Fixed Neural Network Steganography，即Cs-FNNS。在Cs-FNNS中，我们提出了一种隐写扰动搜索（SPS）算法，直接将秘密数据编码到不可察觉的扰动中，并与由AI生成的封面图像结合进行传输。通过访问相同的深度生成模型，接收方可以使用预先约定的密钥重现封面图像，以分离隐写图像中的扰动进行数据解码。这种编码/解码策略侧重于秘密数据，消除了封面图像的干扰，从而获得更好的性能。我们将Cs-FNNS应用于将秘密图像隐藏在封面图像中的隐写领域。通过全面的实验，我们证明了所提出方法在视觉质量和不可检测性方面的卓越性能。此外，我们展示了Cs-FNNS在为不同接收方隐藏多个秘密图像方面的灵活性。
发现论文，激发创造
  • 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

  • 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

  • HiDDeN: 使用深度网络隐藏数据

    文中讨论深度神经网络的鲁棒性，探索使用对抗干扰来做数据隐藏的可行性，并展示了效果竞争力强的编码技术及其在对抗干扰下的鲁棒性的改进方式。

    Jul, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • 固定神经网络隐写的安全性

    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。

    Sep, 2023

  • 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