标签：steganography 隐写 秘密 adversarial 我们 图像 generative 隐藏 ISGAN

Abstract:

• 目前大量的工作将CNNs引入到隐写分析中，并超越了传统的隐写分析算法。这些工作显示了深度学习在信息隐藏领域的改进潜力。也有几个显示基于深度学习的作品做图像隐写术，但是这些作品在容量、不可见性和安全性上仍然存在问题。本文中，我们提出了一种新的CNN架构ISGAN，在发送端和将秘密的灰度图像隐藏进一个彩色载体图像中，在接收端将秘密图像精确提取出来。我们的工作有三个贡献：1）我们通过仅在载体图像的Y通道隐藏秘密图像隐藏图像来提高不可见性。2）引入生成对抗网络，通过最小化隐写图像和自然图像的经验概率分布之间的差异来增强安全性。3）为了更好的与人类视觉系统关联，我们构造了一个更适合隐写术的混合损失函数，以生成更逼真的隐写图像，并且揭示出更好的秘密图像。实验结果表明ISGAN在LFW，PASCAL_VOC2和ImageNet数据集上均取得了良好的性能。

Discussion and conclusion

• 图7展示了被揭示的图像和它们对应的秘密图像之间的区别。这表明这种模型不能完全揭示秘密图像，这是被接受的因为秘密图像中的信息是非常丰富的，然而，它不适合需要完全揭露秘密信息的任务。
• 如前所述，ISGAN可以很好的将灰色秘密图像隐藏在相同大小的彩色图像中，生成语义和色彩与载体图像几乎相同的隐写图像。通过对抗训练的方式，提高了安全性。此外，实验表明我们基于SSIM的混合损失函数能够在隐写术任务上达到最先进的性能。
• 此外，我们的隐写术是在空间域中进行的，隐写图像必须是无损的，否则秘密图像的某些部分会丢失。可能有解决这个问题的办法。如果隐写图像存在视觉损耗，这并不重要，因为秘密图像本身就是冗余的，可以在隐写图像中加入一些噪声来模拟训练过程的训练过程中传输造成的图像丢失。那么我们的解码器网络应该被修改，以同时适合显示过程和图像增强过程，在我们未来的工作中，我们将尝试处理这个问题，并且提高模型的鲁棒性。

标签：steganography,隐写,秘密,adversarial,我们,图像,generative,隐藏,ISGAN
来源： https://blog.csdn.net/YouLan999/article/details/120229164

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。