Pixel-Stega: Generative Image Steganography Based on Autoregressive Models
Tsinghua University（清华大学）；University of Chinese Academy of Sciences（中国科学院大学）
在这封信中，我们探讨了基于自回归模型的生成式图像隐写术。提出了Pixel-Stega算法，利用自回归模型和算术编码算法实现像素级信息隐藏。首先，使用自回归模型之一PixelCNN++来产生每个像素的显式条件概率分布。其次，通过基于算术编码的隐写采样（stegosampling）将秘密信息编码到像素的选择上。我们对灰度和彩色图像数据集进行了定性和定量评估。实验结果表明，Pixel-Stega算法能够根据像素的熵自适应地嵌入秘密信息，实现了高嵌入容量（高达4.3bpp）和近乎完美的不可感知性（约50%的检测准确率）。
2021-12-21 cs.CV
Cover-separable Fixed Neural Network Steganography via Deep Generative Models
Fudan University（复旦大学）
提出Cs-FNNS，利用深度生成模型和隐写扰动搜索算法，在固定神经网络隐写中实现低失真、高不可检测性的秘密图像隐藏，并支持多接收方。
2024-07-16 cs.CR cs.CV
Hiding Images into Images with Real-world Robustness
Fudan University（复旦大学）；Simon Fraser University（西蒙弗雷泽大学）；NVIDIA（英伟达）
现有的图像嵌入网络基本上都容易受到JPEG压缩、加噪等恶意攻击，不适用于现实世界的版权保护任务。为了解决这个问题，我们引入了一种基于生成式深度网络的方法，用于将图像隐藏到图像中，同时确保从破坏性合成图像中提取高质量的图像。嵌入网络依次与攻击层、解耦网络和图像提取网络级联。加入解耦网络学习从被攻击的图像中提取嵌入的水印。我们还指出了以前的作品中对抗训练鲁棒性的弱点，并建立了我们改进的真实世界攻击模拟器。实验结果表明，该方法在抵抗典型数字攻击方面具有较大的优势，并且在渐进式恢复策略的帮助下，恢复图像的性能得到了提高。此外，我们是第一个鲁棒地隐藏三个秘密图像。
2021-10-12 cs.AI cs.CV
Invisible Steganography via Generative Adversarial Networks
Beijing University of Posts and Telecommunications（北京邮电大学）
目前，已有大量的工作将卷积神经网络引入到隐写分析中，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。也有几个基于深度学习做图像隐写的作品，但这些作品在容量、不可见性和安全性上还存在问题。在本文中，我们提出了一种新的CNN架构命名为\isgan隐藏秘密灰度图像到彩色封面图像的发送端和准确地提取秘密图像的接收端。我们的工作有三个贡献：（i）我们通过将秘密图像仅隐藏在覆盖图像的Y通道中来提高不可见性;（ii）我们引入生成对抗网络，通过最小化隐藏图像和自然图像的经验概率分布之间的差异来加强安全性。(iii)为了更好地与人类视觉系统相关联，我们构造了一个更适合隐写的混合损失函数，以生成更真实的隐写图像，并揭示出更多更好的秘密图像。实验结果表明，ISGAN在LFW、Pascal VOC 2012和ImageNet数据集上均能达到最佳性能。
2018-10-10 cs.CV cs.MM
Unveiling Hidden Visual Information: A Reconstruction Attack Against Adversarial Visual Information Hiding
Pohang University of Science and Technology (POSTECH)（浦项科技大学（POSTECH））
本文针对对抗性视觉信息隐藏提出一种结合生成对抗损失与增强身份损失的双策略数据重建攻击，显著提升重建图像质量并降低所需共享密钥图像数量。
2024-08-08 cs.AI cs.CR cs.CV
Hiding Images in Deep Probabilistic Models
City University of Hong Kong（香港城市大学）；Fudan University（复旦大学）
近年来，使用深度神经网络（DNN）进行数据隐藏取得了令人印象深刻的成功。一个流行的方案是训练一个自动编码器，由一个编码网络嵌入（或转换）秘密消息（或到）载体，和解码网络提取隐藏的消息。该方案在实用性、安全性和嵌入容量方面可能受到一些限制。在这项工作中，我们描述了一个不同的计算框架，以隐藏图像在深度概率模型。具体来说，我们使用DNN来模拟覆盖图像的概率密度，并将秘密图像隐藏在学习分布的一个特定位置。作为一个实例，我们采用了一个SinGAN，一个金字塔的生成对抗网络（GANs），学习一个封面图像的补丁分布。我们隐藏的秘密图像通过拟合一个确定性的映射从一组固定的噪声地图（由嵌入密钥生成）的秘密图像在补丁分布学习。隐写SinGAN，作为原始的SinGAN，是公开传播的;只有具有嵌入密钥的接收器才能够提取秘密图像。我们证明了我们的SinGAN方法在提取精度和模型安全性方面的可行性。此外，我们展示了所提出的方法的灵活性，在隐藏多个图像为不同的接收器和混淆的秘密图像。
2022-10-05 cs.CR cs.CV cs.MM
A Novel Approach to Image Steganography Using Generative Adversarial Networks
针对传统图像隐写术在检测工具升级和容量需求下的局限性，提出基于生成对抗网络（GANs）的新方法，通过精心设计的架构优化嵌入容量、不可感知性与鲁棒性平衡，实验显示其在PSNR、SSIM及抗检测性上优于LSB和DCT等基线技术。
2024-11-27 cs.CR cs.CV cs.LG
SSGAN: Secure Steganography Based on Generative Adversarial Networks
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本文提出了一种基于生成对抗网络的安全隐写策略，用于生成合适的、安全的隐写覆盖。所提出的架构有一个生成网络，和两个判别网络。生成式网络主要评估生成图像的视觉质量以用于隐写，而鉴别式网络则用于评估其是否适合信息隐藏。与采用深度卷积生成对抗网络的现有工作不同，我们利用另一种形式的生成对抗网络。通过使用这种新形式的生成对抗网络，在收敛速度、训练稳定性和图像质量方面都有了显著的改善。此外，一个复杂的隐写分析网络的鉴别网络，该网络可以更好地评估所生成的图像的性能。在公开数据集上进行了大量实验，以证明所提出的方法的有效性和鲁棒性。
2018-11-24 cs.CV cs.MM
Generative Steganographic Flow
School of Computer Science, Fudan University（复旦大学计算机科学学院）
提出基于流的生成式隐写方法GSF，无需封面图像，通过可逆双射映射直接生成隐写图像并精确恢复秘密数据，配合潜变量优化提升保真度，性能远超现有SOTA方法。
2023-05-10 cs.CV cs.MM
Subverting Privacy-Preserving GANs: Hiding Secrets in Sanitized Images
NYU Tandon School of Engineering（纽约大学坦登工程学院）
前所未有的数据汇集和共享加剧了对隐私的担忧，并导致人们对隐私保护工具的兴趣日益增加，这些工具可以从图像中删除敏感属性，同时为其他任务保留有用的信息。目前，最先进的方法使用隐私保护生成对抗网络（PP-GAN）来实现这一目的，例如，在不泄露用户身份的情况下实现可靠的面部表情识别。然而，PP-GAN并不提供隐私的正式证明，而是依赖于使用基于深度学习（DL）的鉴别器的敏感属性上的分类准确性来实验性地测量信息泄漏。在这项工作中，我们通过颠覆现有的面部表情识别隐私保护GANs来质疑这种检查的严格性。我们表明，可以将敏感的识别数据隐藏在这种PP-GAN的经过消毒的输出图像中，以便以后提取，这甚至可以允许重建整个输入图像，同时满足隐私检查。我们通过基于PP-GAN的架构展示了我们的方法，并使用两个公共数据集提供定性和定量评估。我们的实验结果提出了关于需要对PP-GAN进行更严格的隐私检查的基本问题，并提供了对这些问题的社会影响的见解。
2020-09-19 cs.AI cs.CR cs.CV
SteganoGAN: High Capacity Image Steganography with GANs
MIT（麻省理工学院）；Univ. Rey Juan Carlos（胡安卡洛斯国王大学）
图像隐写术是一种将信息隐藏在图像中的方法。虽然密码学等其他技术旨在防止对手阅读秘密消息，但隐写术旨在隐藏消息本身的存在。在本文中，我们提出了一种新的技术，用于隐藏图像中的任意二进制数据使用生成对抗网络，使我们能够优化我们的模型产生的图像的感知质量。我们表明，我们的方法实现了每像素4.4位的最先进的有效载荷，逃避隐写分析工具的检测，并且对来自多个数据集的图像有效。为了进行公平的比较，我们发布了一个开源库，可在https://github.com/DAI-Lab/SteganoGAN上在线访问。
2019-01-30 cs.CV cs.LG cs.MM
Generative Steganography Network
Fudan University（复旦大学）
隐写术通常修改封面媒体以嵌入秘密数据。生成式隐写是近年来出现的一种新的隐写方法，它直接从秘密信息中生成隐写图像（包含秘密信息的图像）。然而，现有的GS计划经常因其糟糕的表现而受到批评。在本文中，我们提出了一个先进的生成式隐写网络（GSN），可以生成真实的隐写图像，而无需使用覆盖图像。首先介绍了GS中的互信息机制，该机制有助于获得高的秘密提取精度。我们的模型包含四个子网络，即，图像生成器（$G$）、隐写器（$D$）、隐写分析器（$S$）和数据提取器（$E$）。$D$和$S$作为两个对抗鉴别器，以确保生成的隐写图像的视觉质量和安全性。$E$是从生成的隐写图像中提取隐藏的秘密。生成器$G$构造灵活，可以合成不同输入的覆盖图像或隐写图像。它通过隐藏在一个正常的生成器生成隐写图像的功能，方便隐蔽通信。在图像生成过程中，设计了秘密块模块将秘密信息隐藏在特征映射中，实现了较高的隐藏容量和图像保真度。此外，一种新的分层梯度衰减（HGD）技术的发展，以抵抗隐写分析检测。实验表明，我们的工作优于现有的方法。
2022-08-14 cs.CV cs.MM
Attack GAN (AGAN ): A new Security Evaluation Tool for Perceptual Encryption
Indian Institute of Technology Bhilai（布巴内斯瓦尔印度理工学院）
针对感知加密的隐私保护安全性问题，本文提出基于GAN的AGAN攻击方法，可破解AVIH及传统感知加密方法，可作为评估加密方法鲁棒性的基准工具。
2024-07-09 cs.CV
Embedding Textual Information in Images Using Quinary Pixel Combinations
Queen Mary University of London（伦敦玛丽女王大学）
本文提出了一种基于五进制像素组合的图像文本嵌入方法，通过单个RGB像素高效编码文本信息，相较于传统方法具有更高的效率和更低的计算开销。
2026-01-07 cs.CV
