StegOT: Trade-offs in Steganography via Optimal Transport
本文提出StegOT，一种基于自编码器和最优传输的隐写模型，通过MCOT模块将多峰特征分布转为单峰，实现封面与秘密图像的信息权衡，并提升隐写与恢复图像质量。
2025-10-14 cs.AI cs.CV
StegGNN: Learning Graphical Representation for Image Steganography
本研究提出StegGNN，一种基于图神经网络的自编码器图像隐写框架，通过将图像建模为图结构，在标准基准上达到与CNN方法相当的视觉质量和不可感知性，展示了GNN作为隐写嵌入表示的潜力。
2026-09-29 cs.CV
Image Generation Network for Covert Transmission in Online Social Network
Fudan University（复旦大学）
在线社交网络比以往任何时候都更加刺激了互联网上的通信，使得通过这种嘈杂的渠道进行秘密信息传输成为可能。在本文中，我们提出了一个无覆盖的图像隐写网络，称为CIS-Net，合成一个高质量的图像直接条件下的秘密消息传输。CIS-Net由四个模块组成，即生成，对抗，提取和噪声模块。即使图像受到JPEG压缩攻击而失真，接收方也能无损地提取出隐藏信息。为了掩饰隐写术的行为，我们收集了个人资料照片和贴纸的图像，并相应地训练我们的网络。因此，所生成的图像更倾向于逃避恶意检测和攻击。与以往的图像隐写方法不同的是，该方法对各种攻击具有很好的鲁棒性和无损性。在不同公开数据集上的实验表明，该算法具有较强的抗隐写分析能力。
2022-07-21 cs.CV
ROBIN: Robust and Invisible Watermarks for Diffusion Models with Adversarial Optimization
School of Computer Science, Wuhan University（武汉大学计算机学院）；School of Cyber Science and Engineering, Wuhan University（武汉大学网络安全学院）
本文提出ROBIN，一种基于对抗优化的扩散模型鲁棒且不可见水印方法，通过显式引入水印隐藏过程主动实现隐蔽性，允许嵌入更强水印，在多种扩散模型上表现出卓越的不可见性和抗篡改鲁棒性。
2025-04-03 cs.AI cs.CR cs.CV
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。
2019-10-02 cs.MM
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。
2019-06-18 cs.CR cs.MM eess.IV
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。
2018-04-21 cs.MM
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。
2019-06-04 cs.CR cs.LG cs.MM
A Secure And High Capacity Image Steganography Technique
隐写术是一门研究隐形通信的科学。隐写术的目的是保持通信双方之间的秘密通信。秘密信息可以隐藏在诸如图像、音频或视频的内容中。提出了一种基于小波变换的彩色图像隐写技术。隐写图像和封面图像之间没有视觉差异。提取的秘密图像也与原始秘密图像相似。对于隐写和提取的秘密图像，都获得了非常好的峰值信噪比（PSNR）值。将该方法的结果与其他隐藏单幅图像的方法的结果进行了比较，发现该方法简单，且具有更好的PSNR值。
2013-04-11 cs.MM
Adaptive Spatial Steganography Based on Probability-Controlled Adversarial Examples
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。
2019-06-01 cs.MM
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。
2018-03-24 cs.MM
Customizing an Adversarial Example Generator with Class-Conditional GANs
National Taiwan University（台湾大学）
对抗性样本是故意制作的数据，目的是欺骗神经网络进行错误分类。当我们谈论创建此类示例的策略时，我们通常指的是基于扰动的方法，该方法通过对正常数据施加不可见的扰动来制造对抗性示例。由此产生的数据保留了人类观察者的视觉外观，但DNN模型可能完全无法识别，这反过来又导致了完全误导的预测。然而，在本文中，我们认为从现有数据中制作对抗性示例是对示例多样性的限制。我们提出了一个基于非扰动的框架，从类条件生成对抗网络中生成原生对抗样本。因此，生成的数据不会与任何现有数据相似，从而扩大了样本的多样性，提高了对抗防御的难度。然后，我们将这个框架扩展到预训练的条件GANs，在其中我们将现有的生成器变成“对抗示例生成器”。我们对MNIST和CIFAR10数据集进行了实验，并取得了令人满意的结果，表明这种方法可以成为以前攻击策略的潜在替代方案。
2018-06-27 cs.CR cs.CV
JPEG Steganography with Embedding Cost Learning and Side-Information Estimation
基于卷积神经网络（CNN）的隐写分析方法的广泛应用给隐写术带来了巨大的挑战。为此，基于生成对抗网络（GANs）的嵌入成本学习框架已经被提出，并在空间隐写中取得了成功。然而，GAN在JPEG隐写中的应用还处于原型阶段，其抗检测能力和训练效率有待提高。在传统的隐写术中，研究表明，从预覆盖计算的边信息可以用于增强安全性。然而，如果没有空间域图像，则很难计算边信息。本文提出了一种基于生成对抗网络的JPEG隐写算法的嵌入代价学习框架（JS-GAN），学习后的嵌入代价可以根据边信息进行非对称调整。实验结果表明，该方法能自动学习自适应的嵌入代价函数，并合理利用估计的边信息，有效提高安全性能。例如，在质量因子为75和0.4 bpnzAC的经典隐写分析器GFR的攻击下，所提出的JS-GAN可以比J-UNIWARD增加检测错误2.58%，并且估计的边信息辅助版本JS-GAN（ESI）可以比JS-GAN进一步提高安全性能11.25%。
2021-07-28 cs.MM
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。
2026-04-23 cs.MM cs.SD eess.AS
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。
2019-12-20 cs.CR cs.LG cs.MM
A Frequency Domain Steganography using Z Transform (FDSZT)
图像隐写是将信息隐藏在图像中的一种技术。提出了一种基于Z变换域的灰度图像认证/数据隐藏技术FDSZT。ZTransform以行为主的顺序应用于源图像的2x2掩模，以将原始子图像（覆盖图像）块变换到其对应的频域。该算法根据源图像的掩码中值，将隐藏图像的一位嵌入到变换系数的第四个LSB上。一个微妙的处理也被执行作为后嵌入操作，以正确的解码。通过逆变换得到隐写子图像作为嵌入掩模的最后一步。在嵌入的过程中，隐藏图像的尺寸，其次是消息/隐藏图像的内容被嵌入。在解码期间遵循相反过程。对各种图像均获得了较高的PSNR，符合FDSZT不可见水印的质量要求。
2012-02-20 cs.CR cs.MM
Heard More Than Heard: An Audio Steganography Method Based on GAN
音频隐写是一种通过将信息嵌入非秘密音频（称为载体）来隐藏信息存在的技术。与密码学不同，隐写术强调的是隐藏秘密的存在。现有的音频隐写方法主要依赖于人工，本文提出了一种通过对抗训练自动生成的音频隐写算法。该方法由三个神经网络组成：编码器，用于将秘密信息嵌入到载体中;解码器，用于提取秘密信息;所有的网络同时进行训练，以创建嵌入，提取和鉴别过程。该系统在两个数据集上使用不同的训练设置进行训练。与现有的音频隐写方案相比，该方案能够产生包含秘密音频的高保真隐写音频。另外，通过实验验证了算法的鲁棒性和安全性.
2019-07-11 cs.CR cs.MM eess.AS
Leveraging Generalizability of Image-to-Image Translation for Enhanced Adversarial Defense
Kyushu Institute of Technology（九州工业大学）；The University of Kitakyushu（北九州大学）；Kyushu University（九州大学）
本研究提出一种结合残差块的图像到图像翻译防御模型，仅需训练单个模型即可有效抵御多种未见对抗攻击，将分类准确率从近零恢复至平均72%，并在不同目标模型间具备良好可迁移性。
2025-04-02 cs.CV cs.LG
Supervised GAN Watermarking for Intellectual Property Protection
Nanjing University of Information Science and Technology（南京信息工程大学）；Jinan University（暨南大学）；University of Siena（锡耶纳大学）
提出了一种用于生成对抗网络（GANs）知识产权保护的水印算法。目的是对GAN模型加水印，以便GAN生成的任何图像都包含不可见的水印（签名），可以在稍后阶段检查图像中是否存在水印，以进行所有权验证。为了实现这一目标，在生成器的输出处插入预训练的CNN水印解码块。然后通过包括水印损失项来修改生成器损失，以确保可以从生成的图像中提取规定的水印。水印的嵌入是通过微调，降低了时间复杂度。实验结果表明，该方法可以有效地在生成的图像中嵌入不可见水印。此外，我们的方法是一个通用的，可以与不同的GAN架构，不同的任务，和不同分辨率的输出图像。我们还展示了良好的鲁棒性性能的嵌入式水印对几个后处理，其中，JPEG压缩，噪声添加，模糊，和颜色变换。
2022-09-07 cs.AI cs.CV
Coverless Information Hiding Based on Generative adversarial networks
传统的图像隐写术或多或少地修改了图像的内容，很难抵抗图像隐写分析工具的检测。针对这一问题，提出了一种基于生成对抗网络的生成式无覆盖信息隐藏方法。该方法的主要思想是用秘密信息作为驱动器来代替生成对抗网络的类标签，直接生成隐藏图像，然后通过隐层算法从隐藏图像中提取秘密信息。这是首次利用生成对抗网络实现无覆盖信息隐藏。与传统的图像隐写相比，该方法不修改原始图像的内容。因此，该方法可以有效地抵抗图像隐写分析工具。实验结果表明，该算法在隐写容量、抗隐写分析、安全性和可靠性等方面都有较好的性能。
2017-12-18 cs.CR cs.MM
Hiding Images in Diffusion Models by Editing Learned Score Functions
City University of Hong Kong（香港城市大学）
针对现有扩散模型数据隐藏方法精度、保真度与效率不足的问题，提出通过编辑得分函数在特定时间步嵌入图像，并结合梯度参数选择与LoRA的参数高效微调法，实现了高提取质量、模型行为复现与更快嵌入，还支持多接收方场景。
2025-03-24 cs.CV
Generative Steganography with Kerckhoffs' Principle
隐写术在嵌入过程中对载体图像的修改或重新编码通常会导致图像失真，这给隐写分析器提供了鉴别的可能性。面对这样的风险，我们提出了生成隐写与Kerckhoffs的原则（GSK）在这封信中。在GSK中，秘密消息是使用生成器由封面图像生成的，而不是嵌入到封面中，因此不会对封面进行修改。为了保证安全性，基于生成对抗网络（GAN）对生成器进行训练以满足Kerckhoffs原则。关于GSK系统的一切，除了提取密钥，对于接收者来说都是公共知识。当且仅当提取密钥和封面图像都被输入时，生成器才能输出秘密消息。在生成器训练过程中，有两个GANs，消息- GAN和覆盖-GAN，被设计为在提取密钥和覆盖图像的控制下联合工作以生成结果。我们提供了训练过程的实验结果，并给出了一个采用MNIST训练的生成器的工作过程的例子，这表明GSK可以使用一个不加任何修改的封面图像来生成消息，如果没有提取密钥或封面图像，只会得到毫无意义的结果。
2021-07-04 cs.MM
Generative Steganography by Sampling
本文提出了一种新的数据驱动的信息隐藏方案--采样生成式隐写（GSS）。与传统的基于修改的隐写术不同，在我们的方法中，隐写图像直接由一个强大的生成器采样：没有使用显式的覆盖。双方共享用于消息嵌入和提取的秘密密钥。提出了一种新的评价生成式隐写术安全性的准则--Jensen-Shannon散度。基于这些原则，我们提出了一个简单实用的生成式隐写方法，使用语义图像修补。消息被预先写入需要保留在损坏映像中的未损坏区域。然后，将含有秘密消息的受损图像馈送到由生成对抗网络（GAN）训练的生成器中进行语义完成。针对信息提取错误和隐写图像不真实的问题，提出了信息损失和先验损失项。在我们的设计中，我们首先训练一个生成器，其训练目标是从与现有训练数据相同的分布生成新的数据样本。接下来，对于训练的生成器，引入消息的反向传播和先验损失来优化生成器的输入噪声数据的编码。所提出的实验表明，所提出的框架的基础上生成的隐写图像的定性和定量评价的潜力。
2019-07-20 cs.CR cs.MM
FaceSigns: Semi-Fragile Neural Watermarks for Media Authentication and Countering Deepfakes
San Diego State University（圣地亚哥州立大学）；University of California San Diego（加州大学圣地亚哥分校）
由于逼真图像和视频合成技术的最新进展，Deepfakes和操纵媒体正在成为一个突出的威胁。已经有几次尝试使用机器学习分类器来对抗Deepfakes。然而，这样的分类器不能很好地推广到黑盒图像合成技术，并且已经被证明容易受到对抗性示例的影响。为了解决这些挑战，我们引入了一种基于深度学习的半脆弱水印技术，该技术通过验证嵌入在图像像素中的不可见秘密消息来进行媒体认证。我们建议主动将半脆弱水印嵌入到真实图像中，以便在需要时证明其真实性，而不是使用视觉伪影来识别和检测假媒体。我们的水印框架被设计为对面部操作或篡改很脆弱，同时对图像压缩，缩放，饱和度，对比度调整等良性图像处理操作具有鲁棒性。这允许通过互联网共享的图像保留可验证的水印，只要不应用面部交换或任何其他Deepfake修改技术。我们证明了FaceSigns可以嵌入128位秘密作为不可感知的图像水印，可以在几个压缩级别上以高比特恢复精度恢复，而当应用看不见的Deepfake操作时则不可恢复。对于我们工作中研究的一组看不见的良性和Deepfake操作，FaceSigns可以可靠地检测操作内容，AUC得分为0.996，显著高于之前的图像水印和隐写技术。
2022-04-05 cs.AI cs.CV stat.ML
Steganography using a 3 player game
图像隐写的目的是将秘密信息安全地嵌入到图像中。到目前为止，自适应嵌入算法，如S-UNIWARD或Mi-POD，是最安全和最常用的图像隐写方法之一。随着深度学习的到来，更具体地说是生成对抗网络（GAN），新技术已经出现。在这些技术中，有三个玩家的游戏方法，其中三个网络相互竞争。在本文中，我们提出了三个不同的架构的基础上的三个玩家的游戏。第一架构提出了一个严格的替代最近的两个出版物。第二个考虑隐写噪声功率。最后，我们的第三种架构丰富了第二种架构，在嵌入和提取网络之间实现了更好的交互。我们的方法取得了更好的结果相比，现有的作品GSIVAT，HiDDeN，并为今后的研究铺平了道路。
2020-09-11 cs.CR cs.MM
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。
2023-02-15 cs.CV cs.MM eess.IV
Transformation-Grounded Image Generation Network for Novel 3D View Synthesis
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Adobe Research（Adobe研究院）
我们提出了一种基于变换的图像生成网络，用于从单个图像合成新的3D视图。而不是采取一个'白板'的方法，我们首先明确地推断出的部分几何可见的输入和新的意见，然后重新铸造剩余的合成问题，图像完成。具体来说，我们都预测一个流，将像素从输入移动到新的视图，以及一个新的可见性图，有助于处理遮挡/disocculsion。接下来，以这些中间结果为条件，我们幻觉（推断）输入图像中不可见的对象部分。除了新的网络结构之外，结合对抗性和感知损失的训练还可以减少新视图合成的常见伪影，例如失真和孔洞，同时成功生成高频细节并保留输入图像的视觉方面。我们评估我们的方法在广泛的合成和真实的例子。定性和定量的结果表明，我们的方法取得了显着更好的结果相比，现有的方法。
2017-03-08 cs.CV
WARP: A Unified Benchmark for Invisible Image Watermarking -- Robustness and Protection Against Attacks
MSU Institute for Artificial Intelligence（莫斯科国立大学人工智能研究所）；Trusted AI Research Center RAS（俄罗斯科学院可信人工智能研究中心）
本文提出WARP，一个统一基准，整合32种水印方法和34种攻击，系统评估不可见水印的鲁棒性，识别最鲁棒方法及攻击弱点，并开源代码。
2026-10-01 cs.AI cs.CV cs.MM
Your Text Encoder Can Be An Object-Level Watermarking Controller
University at Buffalo, SUNY（纽约州立大学布法罗分校）；Adobe Research（奥多比研究院）
针对T2I LDM生成图像的版权保护问题，提出仅微调文本词元嵌入的对象级即插即用水印方法，在48比特下达到99%准确率并将参数量降低$10^5$倍。
2025-03-15 cs.CR cs.CV cs.LG
Social Media Authentication and Combating Deepfakes using Semi-fragile Invisible Image Watermarking
Wichita State University（威奇托州立大学）；University of North Texas（北得克萨斯大学）
针对Deepfake检测易受攻击问题，提出一种半脆弱不可见图像水印技术，通过独特架构将64位秘密信息嵌入真实图像，对面部篡改脆弱但对良性处理和移除攻击鲁棒，实现最先进的媒体认证性能。
2024-10-02 cs.AI cs.CR cs.CV
Generating Steganographic Images via Adversarial Training
对抗训练最近被证明在计算机视觉任务上与监督学习方法竞争，然而，研究主要局限于生成任务，如图像合成。在本文中，我们将对抗训练技术应用于学习隐写算法的判别任务。隐写术是通过将信息嵌入非秘密介质（例如封面文本或图像）来隐藏信息的技术的集合。我们表明，对抗训练可以产生强大的隐写技术：我们的无监督训练方案产生的隐写算法，竞争与国家的最先进的隐写技术，并产生一个强大的隐写分析，它执行的判别任务，决定是否包含秘密信息的图像。我们定义了三方之间的游戏，爱丽丝，鲍勃和夏娃，为了同时训练隐写算法和隐写分析。爱丽丝和鲍勃试图传达包含在图像中的秘密消息，而夏娃窃听他们的谈话，并试图确定秘密信息是否嵌入在图像中。我们代表爱丽丝，鲍勃和夏娃的神经网络，并验证我们的计划在两个独立的图像数据集，显示我们的新方法研究隐写问题是令人惊讶的竞争力对既定的隐写技术。
2017-07-24 cs.CR cs.MM stat.ML
CNN-based Steganalysis and Parametric Adversarial Embedding: a Game-Theoretic Framework
最近，基于CNN的隐写分析在检测内容自适应隐写方面取得了很好的性能。与此同时，最近的工作表明，通过采用类似于用于构建对抗性示例的方法，隐写器可以采用对抗性嵌入策略来有效地对抗目标CNN隐写分析器。反过来，隐写分析器的良好性能可以通过用对抗性隐写图像重新训练CNN来恢复。该模型的一个问题是，可以说，在训练时隐写器不知道隐写器用于对抗嵌入的确切参数，反之亦然，隐写器不知道将用于训练隐写器的图像是如何生成的。为了退出这一明显的僵局，我们引入了一个博弈论框架，其中的隐写分析器和隐写器的参数设置的问题是解决在一个战略性的方式。更具体地说，首先制定一个非零和游戏来模拟这个问题，然后通过考虑一个特定的对抗嵌入方案来实例化，该方案以博弈论的方式设置其操作参数。分析表明，非零和博弈的均衡解可以通过求解一个相关的零和博弈来方便地求出，从而大大降低了问题的复杂性。然后，我们运行几个实验，以获得最佳策略的隐写和staganalysts在博弈论的意义上，并评估在均衡的游戏的性能，相对于传统的非对抗性的情况下的损失的特征。最后，通过对博弈均衡点的分析，我们引入了一种新的策略来提高隐写分析的可靠性，这表明了从博弈论的角度来解决安全问题的好处。
2019-06-03 cs.GT cs.MM
Generative Reversible Data Hiding by Image to Image Translation via GANs
传统的可逆信息隐藏技术是基于对封面图像的修改，这不可避免地会留下一些重写的痕迹，从而更容易被看守分析和攻击。受基于生成对抗网络的覆盖合成隐写术的启发，提出了一种新的基于图像平移的生成可逆数据隐藏方案。首先，使用图像生成器来获得真实图像，该图像用作CycleGAN图像到图像转换模型的输入。经过图像变换后，得到具有不同语义信息的隐写图像。秘密信息和原始输入图像可以通过训练好的信息提取器和图像平移的逆变换分别恢复。实验结果验证了该方案的有效性。
2019-07-30 cs.CR cs.MM eess.IV
