首页/论文/1804.02691

arXiv 1804.026912018-04cs.MM

基于概率控制对抗样本的自适应空域隐写

Adaptive Spatial Steganography Based on Probability-Controlled Adversarial Examples

Sai Ma, Qingxiao Guan, Xianfeng Zhao, Yaqi Liu

备注：: This paper contains some problems in theoretical analysis and experiment

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

来自Sai Ma的解释：本文中的实验是在Caffe框架上进行的。在Caffe中，有一个API可以直接在Matlab中设置梯度。我错误地使用它来控制“概率”，实际上，我直接修改梯度。API的误用导致错误的实验结果和错误的理论分析。向读过这篇文章的读者道歉。我们已经向多媒体工具和应用提交了这篇论文的正确版本，目前正在修订中。感谢TIFS的副编辑Patrick Bas博士和本文的匿名评论者。感谢中山大学的宋婷婷。对本文的一些问题进行了讨论。她的建议帮助我提高提交的论文多媒体工具和应用。

英文摘要：

Explanation from Sai Ma: The experiments in this paper are conducted on Caffe framework. In Caffe, there is an API to directly set the gradient in Matlab. I wrongly use it to control the 'probability', in fact, I modify the gradient directly. The misusage of API leads to wrong experiment results, and wrong theoretical analysis. Apologize to readers who have read this paper. We have submitted a correct version of this paper to Multimedia Tools and Applications and it is under revision. Thanks to Dr. Patrick Bas, who is the Associate Editor of TIFS and the anonymous reviewers of this paper. Thanks to Tingting Song from Sun Yat-sen University. We discussed some problems of this paper. Her advice helps me to improve the submitted paper to Multimedia Tools and Applications.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于迭代对抗样本的JPEG隐写增强算法

Enhancing JPEG Steganography using Iterative Adversarial Examples

基于卷积神经网络（CNN）的方法与传统的基于手工特征的方法相比，显著提高了图像隐写分析的性能。然而，许多现有的计算机视觉的文献指出，这些有效的基于CNN的方法可以很容易地被欺骗的敌对的例子。在本文中，我们提出了一种新的隐写框架的基础上对抗性的例子在迭代的方式。该框架首先从现有的嵌入成本开始，如J-UNIWARD在这项工作中，然后基于来自一系列隐写分析网络的对抗性示例迭代更新成本，直到获得满意的结果。我们仔细分析了两个重要的因素，将影响所提出的框架的安全性能，即具有较大幅度的选择梯度的百分比和对抗强度修改嵌入成本。在GFR、SCA-GFR和SRNet三种现代隐写分析模型上的实验结果表明，该框架对提高JPEG隐写的安全性能具有很好的应用前景。

2019-10-02cs.MM

基于生成对抗网络的空间图像隐写

Spatial Image Steganography Based on Generative Adversarial Network

随着近年来隐写分析领域深度学习的发展，将秘密信息嵌入数字图像面临着巨大的挑战。提出了一种基于对抗训练的安全隐写算法。该体系结构包括三个组成模块：生成器、嵌入模拟器和嵌入式仿真器。提出了一种基于U-NET的生成器，将封面图像转化为嵌入变化概率。为了拟合最优嵌入模拟器并传播梯度，提出了一种称为Tanh模拟器的函数。在隐写算法中，引入了选择信道感知（SCA）机制来抵抗基于SCA的隐写分析方法。实验结果表明，该框架可以大大提高安全性能比最近报道的方法ASDL-GAN，而训练时间只有30%的ASDL-GAN使用。此外，它的性能也优于手工制作的隐写算法S-UNIWARD。

2018-04-21cs.MM

基于生成对抗网络的图像隐写研究进展

Recent Advances of Image Steganography with Generative Adversarial Networks

2014年提出的生成对抗网络（GAN）在过去的几年中取得了巨大的成功。GAN在计算机视觉和自然语言处理领域取得了多项研究成果。图像隐写术致力于在数字图像中隐藏秘密信息，达到隐蔽通信的目的。最近，图像隐写术的研究已经显示出使用GAN和神经网络的巨大潜力。本文综述了基于GANs的图像隐写算法中的遮盖修改、遮盖选择和遮盖合成等策略，讨论了这些方法的特点和评价指标，并提出了图像隐写算法未来的研究方向。

2019-06-18cs.CRcs.MMeess.IV

SSGAN：基于生成对抗网络的安全隐写

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。

2018-11-24cs.CVcs.MM

基于CNN的最小变更对抗性图像信息隐藏

CNN Based Adversarial Embedding with Minimum Alteration for Image Steganography

历史上，隐写方案的设计方式是为了保留图像统计或隐写分析特征。由于大多数最先进的隐写分析方法采用基于机器学习（ML）的分类器，因此考虑通过试图欺骗ML分类器来对抗隐写分析是合理的。然而，简单地将扰动应用于隐写图像作为对抗性示例可能导致数据提取失败，并引入可由其他分类器检测到的意外伪影。在本文中，我们提出了一个隐写方案与一个新的操作称为对抗嵌入，它实现了隐藏的隐写消息，而在同一时间欺骗卷积神经网络（CNN）的隐写分析的目标。所提出的方法工作在传统的框架下的失真最小化。对抗性嵌入是通过根据从攻击所针对的CNN分类器反向传播的梯度来调整图像元素修改的成本来实现的。因此，修改方向具有与梯度的符号相同的更高概率。通过这种方式，生成了所谓的对抗性隐写图像。实验表明，该方案是安全的，对有针对性的对手不知情的隐写分析。此外，它恶化的性能，其他对手知道隐写分析开辟了道路，一类新的现代隐写方案能够克服强大的CNN为基础的隐写分析。

2018-03-24cs.MM

基于对抗训练的对称和非对称隐写算法

Learning Symmetric and Asymmetric Steganography via Adversarial Training

隐写术是指在多个媒体载体内隐藏秘密消息的技术，使得窃听者无法检测隐藏消息的存在和内容。在本文中，我们首先提出了一种新的密钥相关的隐写方案，实现隐写目标的对抗训练。分别提出了对称（秘密密钥）和非对称（公开密钥）隐写方案，并成功地设计和实现了每种方案。我们表明，我们的方案产生的这些编码提高了20%的不可见性比以前的基于深度学习的工作，并进一步执行竞争力显着的不可检测性比经典的隐写算法好25%。最后，我们模拟我们的计划在一个真实的情况下，解码器实现了超过98%的准确性的原始消息。

2019-06-04cs.CRcs.LGcs.MM

更多相关论文收起更多论文

基于生成对抗网络的隐写算法

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。

2018-10-10cs.CVcs.MM

FGAS：基于固定解码器网络的音频隐写术与对抗扰动生成

FGAS: Fixed Decoder Network-Based Audio Steganography with Adversarial Perturbation Generation

School of Communication & Electronic Engineering, East China Normal University（东华大学通信与电子工程学院）；Shanghai Innovation Institute（上海创新研究院）；School of Computer Science, Fudan University（复旦大学计算机科学学院）；School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）

本文提出FGAS，一种基于固定解码器网络的音频隐写术，通过生成对抗扰动提升音频质量与抗隐写分析性能，实验显示其在PSNR和抗攻击方面优于现有方法。

2026-04-23cs.MMcs.SDeess.AS

基于生成对抗网络的图像隐写破坏

Destruction of Image Steganography using Generative Adversarial Networks

Booz Allen Hamilton（博思艾伦汉密尔顿）

数字图像隐写分析或图像隐写术的检测已被深入研究多年，并且由高级持续性威胁（APT）组（例如APT37 Reaper）驱动，利用隐写术技术来传输额外的恶意软件，以在受损主机上执行进一步的开发后活动。然而，许多隐写分析算法被限制为只处理野生环境中所有可能图像的子集，或者已知会产生很高的误报率。这导致阻止任何可疑的图像是一个不合理的政策。更可行的策略是在主机接收之前过滤可疑图像。然而，如何进行最佳过滤，特别是混淆或删除图像隐写，同时避免视觉图像质量的下降的情况下，图像的检测是一个假阳性？我们提出了深度数字隐写净化器（DDSP），这是一种生成对抗网络（GAN），经过优化可以破坏隐写内容，而不会损害原始图像的感知质量。实验结果表明，与其他最先进的过滤方法相比，我们的模型能够在保持高视觉质量的同时提供高的隐写图像内容破坏率。此外，我们测试了迁移学习的能力，推广到使用看不见的隐写算法混淆嵌入到不同图像文件格式和类型的真实恶意软件有效载荷，并证明我们的模型实际上可以部署提供足够的结果。

2019-12-20cs.CRcs.LGcs.MM

隐写生成对抗网络

Steganographic Generative Adversarial Networks

Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）

隐写术是将秘密信息（“有效载荷”）隐藏在非秘密信息（“容器”）内的方法的集合。它的对应物，隐写分析，是确定消息是否包含隐藏的有效载荷，并在可能的情况下恢复它的做法。隐藏有效载荷的存在通常由二元分类器检测。在本研究中，我们提出了一种基于深度卷积生成对抗网络（DCGAN）生成图像状容器的新模型。这种方法允许使用标准的隐写算法生成更安全的消息嵌入。实验结果表明，该模型能够成功地欺骗隐写分析器，因此可以用于隐写应用中。

2019-10-07cs.CRcs.CVcs.MM

3D-VFD：一种针对3D对抗点云的无受害者检测器

3D-VFD: A Victim-free Detector against 3D Adversarial Point Clouds

Sun Yat-sen University（中山大学）

基于点云的三维深度模型在计算机视觉中取得了良好的应用效果。然而，最近的研究表明，它们很容易受到3D对抗点云的影响。在本文中，我们把这些恶意点云作为3D隐写的例子，并提出了一个新的角度，3D隐写分析，以对付这样的例子。具体来说，我们提出了3D-VFD，一种针对3D对抗点云的无受害者检测器。它的核心思想是捕捉良性点云和敌对点云的剩余几何特征分布之间的差异，并将这些点云映射到一个更低维的空间，在那里我们可以有效地区分它们。与针对3D对抗点云的现有检测技术不同，3D-VFD不依赖于受害者3D深度模型的输出来进行区分。大量实验表明，3D-VFD实现了最先进的检测，能够有效检测基于点添加和点扰动的3D对抗攻击，同时保持快速的检测速度。

2023-02-15cs.CVcs.MMeess.IV