- 在大型语言模型中隐藏文本:引入无条件强迫混淆
使用简单的微调技术,可以将隐藏的文本嵌入到大型语言模型中,而只有在触发特定查询时才会显现。这项工作表明通过微调将隐藏文本嵌入到语言模型中,虽然由于潜在触发器的巨大数量(任何字符或标记的序列都可以作为触发器)而看似安全,但仍然容易通过对语言模 - GS-Hider:将消息隐藏到三维高斯喷洒中
提出了一种针对 3D 高斯喷洒的隐写术框架,名为 GS-Hider,可将 3D 场景和图像隐写到原始的 GS 点云中,且能准确提取隐藏的信息。
- 提升数字安全:融合密码学与隐写术
应用人工智能(AI)和深度学习(DL)中的生成对抗网络(GANs)优化传统隐写术方法,通过将加密数据嵌入到另一个媒介中,保护通信免受窥探,并提高对检测的防护,从而维护信息的隐私和完整性,解决当前开放数字通信时代数据安全的核心挑战,并为信息安 - CVPR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。
- 生成型 AI 代理间的秘密勾结
最近大型语言模型的能力提升为团队之间的生成型人工智能代理解决联合任务的应用打开了大门,而这也引发了隐私和安全方面的挑战,涉及未经授权的信息共享或其他不必要的代理协调形式。本文通过借鉴人工智能和安全领域的相关概念,全面地形式化了生成型人工智能 - Noise-NeRF:使用可训练噪声在神经辐射场中隐藏信息
本文提出了一种基于可训练噪声的新型 NeRF 隐写术方法 ——Noise-NeRF,并且采用自适应像素选择策略和像素扰动策略来提高隐写术质量和效率。在开源数据集上的广泛实验表明 Noise-NeRF 在隐写术质量、渲染质量和超分辨率图像隐写 - 基于混合萤火虫算法的图像安全信息嵌入
通过使用混合萤火虫算法(HFA)选择像素排列,本研究介绍了一种新颖的隐写方法,可以将机密的便携文档格式(PDF)文件隐藏在主机图像中。该方法通过在空间域中寻找最佳像素放置来增加主机图像的容量和降低失真,并且减少了嵌入过程所需的时间。结果揭示 - 稳定信使:隐写术用于消息隐蔽图像生成
这篇研究论文深入探讨数字保护,特别聚焦于信息隐藏技术。通过引入评估已解码信息的新颖度量标准 “信息准确性”,我们解决了以往研究局限于个别位解码的问题。此外,我们提出了一种适应性通用损失函数 Log-Sum-Exponential(LSE)来 - 利用数据几何学减轻隐写分析中的 CSM
该研究提出了一种基于几何优化的策略,通过探索处理管道的网格,利用 DCTr 特征之间子空间的弦距离,实现了针对给定目标的整体泛化性能的增强,从而克服了隐写术中的 Cover Source Mismatch 问题,并证明该策略在合理假设下优于 - SUDS: 通用和依赖关系隐写术的清除
本论文研究隐写术(将信息隐藏在表面之下)是一种常用于隐秘通信的信息隐藏形式,现代隐写媒介包括图像、文本、音频和视频,恶意行为者越来越多地使用此通信方法来传播恶意软件、窃取数据和秘密通信。目前的保护机制依赖于隐写分析,但这些方法需要先前的知识 - 关于特定学习模型的隐写容量
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 - 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 - 专注于内容而非噪声:通过抑制 CycleGAN 中的隐写术来改进细胞核分割的图像生成
通过 DCT 的低通滤波器去除隐藏的隐写信息,使得合成图像与循环掩码之间的一致性增强,并在下游细胞核分割任务中取得了 5.4 个百分点的 F1 分数改进,从而为细胞核分割产生更准确的合成数据集。
- 图像内容识别与重组
通过提取图像数据、将其与文件的其余部分分离并操作图像像素,我们提出了一种新颖的图像内容消毒和重建(ICDR)系统,以零信任的方式移除潜在的恶意软件,同时保持高质量的图像和文件可用性。
- 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。
- 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。
- 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。
- J-UNIWARD 中的 Off-By-One 实现错误
本文章评估了 J-UNIWARD 隐写方法在 costmap 计算过程中由于 off-by-one 错误所造成的影响,结果表明这个错误对学习型隐写分析的影响不大。
- 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。
- CVPRRoSteALS: 使用自编码器潜码空间的鲁棒隐写术
提出 RoSteALS 一种轻量级的隐写术技术,使用预训练自编码器来解放载荷嵌入,并且在三个基准上具有完美的秘密恢复性能和可比较的图像质量。