Large-capacity and Flexible Video Steganography via Invertible Neural Network
Peking University Shenzhen Graduate School(北京大学深圳研究生院);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学(KAUST));Peng Cheng Laboratory(鹏城实验室)
本文提出LF-VSN可逆神经网络框架,利用可逆流程、密钥可控与可扩展策略,实现单模型在1个封面视频中灵活隐藏并恢复最多7个秘密视频。
2023-04-24 cs.CR cs.CV
Bayesian Neural Networks for Reversible Steganography
University of Warwick(华威大学)
深度学习的最新进展导致可逆隐写术领域的范式转变。可逆隐写术的一个基本支柱是预测建模,它可以通过深度神经网络实现。然而,非平凡的错误存在于一些分布和噪声数据的推断。鉴于这个问题,我们建议考虑基于贝叶斯深度学习理论框架的预测模型中的不确定性,从而创建自适应隐写系统。大多数现代深度学习模型被认为是确定性的,因为它们只提供预测,而不能提供不确定性测量。贝叶斯神经网络为深度学习带来了概率视角,可以被视为具有自我意识的智能机器;也就是说,一台知道自己局限性的机器。为了量化不确定性,我们应用贝叶斯统计对预测分布进行建模,并通过随机向前传递的蒙特卡罗抽样对其进行近似。我们进一步表明,预测的不确定性可以分解为任意和认知的不确定性,这些量可以在无监督的情况下学习。实验结果表明,贝叶斯不确定性分析对隐写率失真性能的改善。
2023-03-07 cs.CV cs.LG cs.MM
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
Low-frequency Image Deep Steganography: Manipulate the Frequency Distribution to Hide Secrets with Tenacious Robustness
University of Technology Sydney(悉尼科技大学);University of Queensland(昆士兰大学);City University of Macau(澳门城市大学)
图像深度隐写(IDS)是利用深度学习将秘密图像不可见地嵌入到封面图像中以生成容器图像的技术。然而,由卷积神经网络(CNN)生成的容器图像容易受到扭曲其高频分量的攻击。为了解决这个问题,我们提出了一种称为低频图像深度隐写(LIDS)的新方法,该方法允许在嵌入过程中进行频率分布操作。LIDS从秘密图像中提取特征图,并将其添加到封面图像中以产生容器图像。容器图像不是由CNN直接输出的,因此它不包含高频伪影。提取的特征图通过频率损失进行调节,以确保其频率分布主要集中在低频域。为了进一步增强鲁棒性,插入攻击层以破坏容器映像。然后,检索网络从损坏的容器图像中检索恢复的秘密图像。我们的实验表明,LIDS在鲁棒性方面优于最先进的方法,同时保持高保真度和特异性。通过避免高频伪影和操纵嵌入式特征图的频率分布,LIDS实现了对扭曲容器图像的高频分量的攻击的改进的鲁棒性。
2023-03-23 cs.CR cs.CV
STCL:Curriculum learning Strategies for deep learning image steganography models
Qianan College, North China University of Science and Technology(华北科技大学钱安学院);School of Cyberspace Security, Beijing University of Posts and Telecommunications(北京邮电大学网络安全学院);College of Science, North China University of Science and Technology(华北科技大学理学院)
针对深度学习图像隐写模型图像质量差和收敛慢的问题,提出基于教师模型难度评估和拐点调度的课程学习策略STCL,在多个数据集上提升模型性能。
2025-04-24 cs.AI cs.CR cs.CV
Universal Adversarial Perturbations Through the Lens of Deep Steganography: Towards A Fourier Perspective
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
人们对对抗攻击的兴趣日益高涨,这源于人类视觉与深度神经网络(DNN)之间的不一致,即人类难以察觉的扰动欺骗了DNN。此外,可以生成通常称为通用对抗扰动(UAP)的单个扰动来欺骗大多数图像的DNN。最近在深度隐写任务中也观察到了类似的错位现象,其中解码器网络可以从稍微扰动的封面图像中检索出秘密图像。我们试图从傅立叶的角度来解释两者的成功。我们进行了特定于任务的联合分析,并揭示了(a)频率是影响其性能的关键因素,基于所提出的用于量化频率分布的熵度量;(b)他们的成功可以归因于DNN对高频内容高度敏感。我们还执行特征层分析,以深入了解模型的泛化和鲁棒性。此外,我们还提出了两种新的通用扰动变体:(1)通用秘密对抗扰动(USAP),同时实现攻击和隐藏;(2)高通UAP(HP-UAP),人眼不太可见。
2021-02-12 cs.CV cs.LG
Null Space Properties of Neural Networks with Applications to Image Steganography
University of New Hampshire(新罕布什尔大学)
本文将零空间概念扩展至非线性神经网络,利用输入中不影响预测的零空间分量实现图像隐写,并在 MNIST 上证明网络可被诱导识别隐藏类别。
2024-01-01 cs.AI cs.CR cs.CV
Towards Robust Image-in-Audio Deep Steganography
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);UC Berkeley(加州大学伯克利分校);Dolby Laboratories(杜比实验室)
由于人工智能技术的最新进展,隐写术领域受到了极大的关注,特别是在多模态设置的背景下,这些设置可以在不同性质的信号中隐藏信号。所有隐写方法的主要目标是实现感知透明性,鲁棒性和大嵌入容量-这通常会出现经典方法难以调和的相互冲突的目标。本文扩展和增强了现有的图像在音频深度隐写方法,重点是提高其鲁棒性。建议的增强包括修改的损失函数,利用短时傅立叶变换(STFT),引入冗余的编码过程中的纠错,和缓冲的额外信息的像素子卷积操作。结果表明,我们的方法优于现有的方法在鲁棒性和感知透明度。
2023-03-14 cs.CR cs.CV cs.MM
Breaking the Resolution Barrier: Arbitrary-resolution Deep Image Steganography Framework
Engineering Research Center of Digital Forensics, Ministry of Education, Nanjing University of Information Science and Technology(数字取证工程研究中心,教育部,南京信息科学技术大学)
ARDIS提出了一种任意分辨率深度图像隐写框架,通过频率解耦架构和潜在引导隐式重建器,解决了传统隐写中分辨率不匹配导致的细节损失和恢复困难问题,提升了隐蔽性和跨分辨率恢复保真度。
2026-01-22 cs.CV
TSCL:Multi-party loss Balancing scheme for deep learning Image steganography based on Curriculum learning
Qianan College, North China University of Science and Technology(华北科技大学千安学院);School of Cyberspace Security, Beijing University of Posts and Telecommunications(北京邮电大学网络安全学院);College of Science, North China University of Science and Technology(华北科技大学理学院)
本文提出一种两阶段课程学习损失调度器TSCL,通过先验课程控制和损失动态控制平衡深度学习图像隐写中的多方损失,在ALASKA2等数据集上提升了隐写质量、解码精度和安全性。
2025-04-25 cs.AI cs.CR cs.CV
Deep Learning for Predictive Analytics in Reversible Steganography
National Institute of Informatics(国立信息学研究所);Feng Chia University(逢甲大学);University of Jinan(济南大学);Fujian Polytechnic Normal University(福建技术师范学院);University of Warwick(华威大学);Deakin University(迪肯大学)
深度学习被认为是可逆隐写术的一种有前途的解决方案。用单片神经网络来表示可逆隐写系统的趋势正在加速,这种网络绕过了传统可逆隐写流水线中的中间操作。然而,这种端到端的范例具有不完美的可逆性。相比之下,将神经网络合并到传统管道模块中的模块化范例可以稳定地保证具有数学可解释性的可逆性。预测误差调制是一种成熟的数字图像可逆隐写流水线。它由预测分析模块和可逆编码模块组成。考虑到可逆性是由编码模块独立管理的,我们将重点缩小到将神经网络纳入分析模块,这有助于预测像素强度,并在确定容量和不可感知性方面发挥关键作用。本研究的目的是评估不同的训练配置对神经网络预测精度的影响,并提供实用的见解。特别是,我们研究了输入图像的不同初始化策略如何影响学习过程,以及双层预测的不同训练策略如何应对分布偏移问题。此外,我们比较了不同的模型架构与不同的损失函数的隐写性能。
2023-03-07 cs.CV cs.MM eess.IV
StegaINR4MIH: steganography by implicit neural representation for multi-image hiding
College of Cryptography Engineering, Engineering University of PAP(武警工程大学密码工程学院);Key Laboratory of Network and Information Security of PAP(武警网络与信息安全重点实验室)
针对多图像隐藏中的轮廓阴影和颜色失真问题,提出隐式神经表示隐写框架StegaINR4MIH,利用参数冗余和权重替换实现多图像隐藏与独立提取,在视觉质量和不可检测性上表现优越。
2024-10-14 cs.CR cs.CV
StegaVision: Enhancing Steganography with Attention Mechanism
Indian Institute of Technology Roorkee(印度理工学院鲁尔基分校)
本文提出StegaVision,通过在编码器-解码器架构中引入通道和空间注意力模块改进图像隐写术,实验证明并行注意力组合能同时提升图像质量与隐藏容量,打破以往两者的权衡。
2024-11-06 cs.CV
Image Steganography based on Style Transfer
Hefei University of Technology(合肥工业大学);University of Science and Technology of China(中国科学技术大学)
图像隐写术是利用图像作为隐蔽通信的掩护的艺术和科学。随着神经网络的发展,传统的图像隐写术更容易被基于深度学习的隐写分析检测到。为了改善这一点,我们提出了基于风格转移的图像隐写网络,秘密信息的嵌入可以伪装成图像风格化。我们嵌入秘密信息,同时转换的内容图像的风格。在潜空间中,秘密信息被整合到隐藏图像的潜表示中,从而生成与正常风格化图像不可区分的隐写图像。它是一个端到端的无监督模型,无需预先训练。在基准数据集上的大量实验表明,我们的隐写网络生成的隐写图像的可靠性,质量和安全性。
2022-03-09 cs.CR cs.CV
Natias: Neuron Attribution based Transferable Image Adversarial Steganography
University of Science and Technology of China(中国科学技术大学);School of Information Science and Technology(信息科学技术学院)
针对对抗隐写术难以迁移到未知隐写分析模型的问题,本文提出 Natias,通过神经元归因识别并破坏跨模型关键特征,从而提升可迁移性与重训练安全性。
2024-09-08 cs.CR cs.CV
End-to-end Trained CNN Encode-Decoder Networks for Image Steganography
Reveal.ai (Recognition, Vision \& Learning) Lab\ University of Computer \& Emerging Sciences (NUCES-FAST), Islamabad, Pakistan.
所有现有的图像隐写方法都使用手工制作的特征将二进制有效载荷隐藏到封面图像中。这导致小的有效载荷容量和图像失真。在这里,我们提出了一个基于卷积神经网络的编码器-解码器架构,用于嵌入图像作为有效载荷。为此,我们做出了以下三个主要贡献:(i)我们提出了一种基于深度学习的通用图像隐写编解码器架构;(ii)我们引入了一种新的损失函数,以确保编码器-解码器网络的联合端到端训练;(iii)我们在一系列具有挑战性的公开数据集上对拟议架构进行了广泛的实证评估(MNIST,CIFAR 10,PASCAL-VOC 12,ImageNet,LFW),并在高PSNR和SSIM值下报告最先进的有效载荷容量。
2017-11-20 cs.CV cs.MM
Image Steganography based on Iteratively Adversarial Samples of A Synchronized-directions Sub-image
Shenzhen University(深圳大学);Guangzhou University(广州大学);Peng Cheng Laboratory(鹏城实验室)
目前,隐写术面临着基于特征的隐写分析和基于卷积神经网络(CNN)的隐写分析的双重挑战。在本文中,我们提出了一种新的隐写方案表示为ITE-SYN(基于ITEadherably对抗扰动到同步方向的子图像),通过该方案,安全数据嵌入同步修改方向以增强安全性,然后迭代增加扰动添加到子图像上以减少目标CNN分类器的覆盖类标签的损失。首先利用已有的隐写函数计算初始代价。然后将覆盖图像分解为互不重叠的子图像。在每个子图像被嵌入后,成本将根据聚类修改方向配置文件进行调整。然后,下一个子图像将被嵌入调整成本,直到所有的秘密数据已被嵌入。如果目标CNN分类器没有将隐写图像区分为覆盖图像,则基于调整后的成本,根据从CNN分类器反向传播的梯度的符号以对抗方式改变成本。然后选择一个子图像重新嵌入改变成本。对抗强度将迭代地增加,直到对抗隐写图像可以欺骗目标CNN分类器。实验结果表明,该方法有效地提高了安全性,可以对抗传统的基于特征的分类器和CNN分类器,甚至其他非目标CNN分类器。
2021-01-13 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
Stable Messenger: Steganography for Message-Concealed Image Generation
VinAI Research(VinAI研究院);Posts & Telecommunications Inst. of Tech., Vietnam(越南邮电技术研究院)
本文提出消息准确率指标、LSE损失和潜在感知编码技术,结合Stable Diffusion提升隐写图像生成中消息恢复与图像质量的平衡。
2024-08-10 cs.CV
A Color Image Steganography Based on Frequency Sub-band Selection
South China Normal University(华南师范大学)
基于深度学习的彩色图像隐写是在彩色图像中隐藏信息的艺术。其中,图像隐藏隐写术(用图像隐藏图像)由于其巨大的隐写容量,近年来备受关注。然而,图像隐藏隐写生成的图像可能会出现一些明显的颜色失真或人为的纹理痕迹。针对上述问题,提出了一种基于频率子带选择的彩色图像隐写模型。首先,我们讨论了不同的颜色空间/频率子带的特性和生成的图像质量之间的关系。然后,我们选择RGB图像的B通道作为嵌入通道,高频子带作为嵌入域。离散小波变换将B通道信息和秘密灰度图像变换为频域信息,然后在频域进行秘密图像的嵌入和提取。综合实验表明,该模型生成的图像具有更好的图像质量,不可感知性显著提高。
2021-12-29 cs.CR cs.CV
Invisible Backdoor Attacks on Deep Neural Networks via Steganography and Regularization
Shanghai Jiao Tong University(上海交通大学);The University of Adelaide(阿德莱德大学);The University of New South Wales(新南威尔士大学);Data61 CSIRO(澳大利亚联邦科学与工业研究组织 Data61);Shanghai Institute for Advanced Communication and Data Science(上海先进通信与数据科学研究院);Shanghai University(上海大学)
深度神经网络(DNN)已被证明容易受到后门攻击的攻击,其中隐藏的特征(模式)被训练成一个正常的模型,它只被一些特定的输入(称为触发器)激活,欺骗模型产生意想不到的行为。在本文中,我们为后门攻击创建了隐蔽和分散的触发器,这些触发器可以欺骗DNN模型和人类检查。我们通过两种最先进的嵌入触发器的方法来应用我们的隐形后门进行后门攻击。Badnets的第一种方法通过隐写术将触发器嵌入DNN。木马攻击的第二种方法使用两种类型的附加正则化项来生成具有不规则形状和大小的触发器。我们使用攻击成功率和功能来衡量我们的攻击性能。我们介绍了两个新的定义,人类感知的不可见性;一个是概念化的感知对抗相似性得分(PASS),另一个是学习感知图像补丁相似性(LPIPS)。我们表明,通过测量对手的攻击成功率,普通用户的功能和管理员的不可见性得分,我们提出的隐形后门在各种DNN模型以及四个数据集MNIST,CIFAR-10,CIFAR-100和GTSRB中可以相当有效。最后,我们认为,建议的无形后门攻击可以有效地挫败国家的最先进的木马后门检测方法,如神经清洗和TABOR。
2020-08-31 cs.CR cs.CV cs.LG
Style as Cover: Deep Image Steganography via Stylized Transmission
Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院));Shandong Computer Science Center(山东省计算中心);Shandong Fundamental Research Center for Computer Science(山东省计算机科学基础研究中心)
本文提出StyleStegaNet,通过风格化传输替代封面匹配,实现行为级伪装的图像隐写,并采用四阶段解耦与渐进训练,在DIV2K和MS-COCO上验证有效性,检测准确率仅约51%。
2026-09-22 cs.CR cs.CV cs.MM
On the predictability in reversible steganography
National Institute of Informatics(国立信息学研究所);Feng Chia University(逢甲大学);Fujian Polytechnic Normal University(福建技术师范学院);Tokyo Metropolitan University(东京都立大学)
人工神经网络推进了可逆隐写术的前沿。神经网络的核心优势是能够对令人眼花缭乱的各种数据进行准确预测。残差调制是目前公认的最先进的数字图像可逆隐写算法。该算法的核心是预测分析,其中给定一些像素上下文信息来预测像素强度。这个任务可以被看作是一个低层次的视觉问题,因此神经网络解决类似的一类问题可以部署。在现有技术之上,本文研究了基于监督和无监督学习框架的像素强度的可预测性。可预测性分析使自适应数据嵌入成为可能,这反过来又会在容量和不可感知性之间实现更好的权衡。虽然传统方法通过局部图像模式的统计来估计可预测性,但基于学习的框架进一步考虑指定预测器可以做出正确预测的程度。不仅要考虑图像模式,而且要考虑使用中的预测器。实验结果表明,将基于学习的可预测性分析器纳入可逆隐写系统可以显着提高隐写性能。
2023-03-07 cs.CV cs.MM eess.IV
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
PRIS: Practical robust invertible network for image steganography
College of Science, China Agricultural University(中国农业大学理学院)
本文提出基于可逆神经网络的图像隐写方法PRIS,通过增强模块、三步训练策略及梯度近似函数处理舍入误差,在鲁棒性和实用性上优于现有方法。
2023-11-28 cs.AI cs.CR cs.CV
Deniable Steganography
Nanjing University of Information Science & Technology(南京信息工程大学);Jinan University(暨南大学);Shanghai University(上海大学)
隐写术将秘密信息隐藏在覆盖介质中,生成可以在公共信道上传输而不会引起怀疑的隐写介质。作为其对策,隐写分析的主要目的是检测秘密信息是否隐藏在一个给定的媒体。虽然隐写技术在不断发展,但复杂的隐写分析技术总能在一定程度上破解已知的隐写方法。在发现隐写媒体的情况下,攻击者可以找出隐写媒体的发送者或接收者,并迫使他们泄露秘密信息,本文称之为强制攻击。受可否认加密思想的启发,首次提出了可否认隐写的概念,讨论了可否认隐写的可行构造,并以接收方可否认隐写为例,提出了一种基于深度神经网络(DNN)的接收方可否认隐写方案,以应对接收方强制攻击。具体地说,除了真正的秘密消息,一段假消息也嵌入到封面。在接收端,真实消息可以通过一个提取模块提取出来;而一旦接收方在胁迫攻击下不得不交出一段秘密消息,他可以通过另一个提取模块提取出假消息来欺骗对手。实验证明了基于DNN的接收方否认隐写方案的可扩展性和敏感性。
2022-05-25 cs.CR cs.CV
Forensic Video Steganalysis in Spatial Domain by Noise Residual Convolutional Neural Network
Netherlands Forensic Institute(荷兰法医研究所);Eindhoven University of Technology(埃因霍温理工大学);University of Amsterdam(阿姆斯特丹大学)
本文提出使用噪声残差卷积神经网络在空间域进行取证视频隐写分析,通过构建视频隐写数据集训练模型,实验检测率达99.96%,验证了CNN方法在视频隐写取证中的有效性。
2023-05-29 cs.CR cs.CV
PixelSteganalysis: Pixel-wise Hidden Information Removal with Low Visual Degradation
Seoul National University(首尔大学);Ewha Womans University(梨花女子大学);Kangwon National University(江原大学);Ziovision
近年来,基于深度学习(DL)的隐写术得到了快速发展。基于DL的隐写术将秘密信息分布在覆盖图像的所有可用比特上,从而在使用传统的隐写分析方法来检测、提取或移除隐藏的秘密图像时造成困难。然而,我们提出的框架是第一个有效地禁用隐蔽通信和交易,使用DL基于隐写术。我们提出了一种基于DL的隐写分析技术,通过恢复原始图像的分布来有效地去除秘密图像。我们制定了一个问题,并通过利用复杂的像素分布和图像的边缘分布,通过使用深度神经网络来解决它。基于给定的信息,我们在像素级删除隐藏的秘密信息。我们评估我们的技术,通过比较它与传统的隐写分析方法,使用三个公共基准。由于基于DL的隐写术的解码方法是近似的(有损的),不同于传统的隐写术的解码方法,我们还引入了一个新的定量度量称为破坏率(DT)。实验结果表明,在解码速率和DT的性能提高了10-20%。
2021-12-09 cs.CR cs.CV cs.MM
CLPSTNet: A Progressive Multi-Scale Convolutional Steganography Model Integrating Curriculum Learning
Qianan College, North China University of Science and Technology(华北科技大学千安学院);School of Cyberspace Security, Beijing University of Posts and Telecommunications(北京邮电大学网络安全学院);College of Science, North China University of Science and Technology(华北科技大学理学院)
针对CNN隐写中不可见性与安全性不足的问题,提出融合课程学习的渐进式多尺度卷积网络CLPSTNet,在三个大型数据集上实现高PSNR、SSIM和解码精度,并降低隐写分析得分。
2025-04-23 cs.AI cs.CR cs.CV
StyleStegan: Leak-free Style Transfer Based on Feature Steganography
Fudan University(复旦大学)
针对风格迁移中的内容泄漏问题,提出基于特征隐写的无泄漏方法StyleStegan,结合神经流模型与隐写术实现无损无偏风格化及内容特征隐藏,有效缓解串行与可逆任务中的泄漏问题,SSIM指标显著提升。
2023-07-01 cs.CV cs.MM
Focus on Content not Noise: Improving Image Generation for Nuclei Segmentation by Suppressing Steganography in CycleGAN
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);FAU Erlangen-Nürnberg(埃尔朗根-纽伦堡FAU大学)
本文提出基于DCT的低通滤波方法去除CycleGAN生成图像中的隐写术(隐藏捷径信息),提高掩码与生成图像的连贯性,在下游细胞核分割任务中F1分数较普通CycleGAN提升5.4个百分点。
2023-08-03 cs.CV eess.IV
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。
2019-10-07 cs.CR cs.CV cs.MM
Imperceptible and Multi-channel Backdoor Attack against Deep Neural Networks
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics(南京航空航天大学计算机科学与技术学院);College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics(南京航空航天大学电子信息工程学院)
本文利用DCT隐写术提出一种不可感知且多通道的后门攻击方法,实现了N-to-N和N-to-One两种变体,在保持模型准确率的同时具有高攻击成功率且对Neural Cleanse防御具有鲁棒性。
2022-01-31 cs.CV
MCTSteg: A Monte Carlo Tree Search-based Reinforcement Learning Framework for Universal Non-additive Steganography
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院);College of Information Engineering, Shenzhen University(深圳大学信息工程学院);Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)(广东省人工智能与数字经济实验室(深圳));Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳市人工智能与机器人研究院);Alibaba Group(阿里巴巴集团)
最近的研究表明,非加性图像隐写框架通过调整失真分布有效地提高了安全性能。然而,据我们所知,所有现有的非加性的建议是基于手工制作的政策,只能适用于特定的图像域,这严重阻碍了非加性隐写术释放其全部潜力。在本文中,我们提出了一个自动的非加性隐写失真学习框架称为MCTSteg,以消除上述限制。在强化学习范式的指导下,结合蒙特卡罗树搜索(MCTS)和基于隐写分析器的环境模型,构建了MCTSteg. MCTS在不需要人工干预的情况下做出顺序决策来调整失真分布。我们提出的环境模型用于获得每个决策的反馈。由于其自学习特性和独立于域的奖励函数,MCTSteg已成为第一个被报道的通用的非加性隐写框架,它可以在空间和JPEG域。大量的实验结果表明,MCTSteg可以有效地抵御手工制作的基于特征和基于深度学习的隐写分析器的检测。在空间和JPEG域中,MCTSteg的安全性能在不同场景下稳定地优于现有技术。
2021-08-10 cs.CV cs.LG cs.MM
Image quality enhancement of embedded holograms in holographic information hiding using deep neural networks
Chiba University(千叶大学)
全息信息隐藏是将全息图或图像嵌入到另一幅全息图中的技术,用于全息图的版权保护和信息隐藏。使用深度神经网络,我们提供了一种提高嵌入式全息图视觉质量的方法。嵌入全息图的亮度被设置为宿主全息图的亮度的一小部分,从而导致宿主全息图的几乎没有损坏的重建图像。然而,由于嵌入全息图的重构图像比重构的主图像暗,因此难以感知。在这项研究中,我们使用深度神经网络来恢复变暗的图像。
2021-12-20 cs.CV cs.GR
Universal Deep Network for Steganalysis of Color Image based on Channel Representation
Sun Yat-sen University(中山大学);Shenzhen University(深圳大学)
到目前为止,大多数现有的隐写分析方法都是针对灰度图像设计的,不适合当前社交网络中广泛使用的彩色图像。在本文中,我们设计了一个通用的彩色图像隐写分析网络(称为UCNet)在空间和JPEG域。所提出的方法包括预处理,卷积和分类模块。为了保留各个颜色通道中的隐写伪像,在预处理模块中,首先根据相应的嵌入空间将输入图像分成三个通道(即RGB用于空间隐写,YCbCr用于JPEG隐写),然后用62个固定高通滤波器提取图像残差,最后将所有截断的残差连接起来进行后续分析,而不是像现有的基于CNN的隐写分析器那样将它们与正常卷积相加在一起。为了加速网络收敛并有效减少参数数量,在卷积模块中,我们精心设计了三种具有不同捷径连接和组卷积结构的层,以进一步学习高级隐写分析特征。在分类模块中,我们采用了全局平均池和全连接层进行分类。我们在ALASKA II上进行了大量的实验,以证明与现代基于CNN的隐写分析器(例如,SRNet和J-YeNet),同时保持相对较少的内存需求和训练时间。此外,我们还提供了必要的描述和大量的烧蚀实验,以验证网络设计的合理性。
2021-11-24 cs.CR cs.CV
Evolutionary Algorithms and Efficient Data Analytics for Image Processing
University of Georgia(佐治亚大学);Florida International University(佛罗里达国际大学)
隐写算法以秘密的方式促进源和目的地之间的通信。这是通过将消息/文本/数据嵌入到图像中而不影响所得图像/视频的外观来完成的。隐写分析是确定图像中是否嵌入/隐藏了秘密信息的科学。由于有许多隐写算法,并且由于每一种算法都需要不同类型的隐写分析,因此隐写分析过程极具挑战性。因此,研究人员的目标是开发一种通用的隐写分析,以检测所有已知和未知的隐写算法,理想情况下是实时的。通用隐写分析提取大量特征来区分隐写图像和隐藏图像。然而,特征的增加导致了维数灾难(CoD)问题,这被认为是一个NP难问题。这个COD问题还使得实时隐写分析变得困难。大量的特征会生成大型数据集,机器学习无法为其生成最佳模型。生成基于机器学习的模型也需要很长时间,这使得实时处理在诸如视觉计算之类的时间密集型领域的任何优化中都显得不可能。CoD的可能解决方案是克服机器学习限制的深度学习和进化算法。在这项研究中,我们调查以前开发的进化算法,以提高实时图像处理,并认为他们提供了最有前途的解决方案的CoD问题。
2020-10-19 cs.CV cs.LG 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
Keynote: Small Neural Nets Are Beautiful: Enabling Embedded Systems with Small Deep-Neural-Network Architectures
DeepScale(深鉴公司);UC Berkeley EECS(加州大学伯克利分校电子工程与计算机科学系)
在过去的五年里,深度神经网络为语音识别和计算机视觉中的许多问题提供了更准确的解决方案,这些解决方案已经超过了许多应用的可接受阈值。因此,深度神经网络已经取代了解决这些领域问题的其他方法,并实现了许多新的应用。虽然深度神经网络的设计仍然是一种艺术形式,但在我们的工作中,我们发现用于开发嵌入式微处理器架构的设计空间探索的基本原则非常适用于深度神经网络架构的设计。特别是,我们使用这些设计原则创建了一个名为SqueezeNet的新型深度神经网络,其模型参数仅需480KB的存储空间。我们进一步整合了所有这些经验,为嵌入式系统创建小型深度神经网络开发了一个剧本。
2017-10-07 cs.CV
ODMTCNet: An Interpretable Multi-view Deep Neural Network Architecture for Image Feature Representation
Ryerson University(瑞尔森大学)
通过将统计机器学习(SML)原理与深度神经网络(DNN)架构相结合,提出了一种可解释的多视图深度神经网络架构,即最优判别多视图张量卷积网络(ODMTCNet)。
2021-10-28 cs.CV
Deep Spiking Convolutional Neural Network for Single Object Localization Based On Deep Continuous Local Learning
Univ. Lille(里尔大学);CNRS(法国国家科学研究中心);Centrale Lille(里尔中央理工学院);IMT Lille-Douai(里尔杜埃矿业电信学院);Institut Mines-Télécom(矿业电信学院)
随着神经形态硬件的出现,脉冲神经网络可以成为人工神经网络的一个很好的节能替代方案。然而,使用脉冲神经网络来执行计算机视觉任务仍然有限,主要集中在数字识别等简单任务上。由于针对这些任务的深度脉冲神经网络的工作量很小,因此仍然难以处理更复杂的任务(例如分割,目标检测)。本文的目的是使现代计算机视觉与监督脉冲神经网络的第一步。我们提出了一个深度卷积脉冲神经网络的灰度图像中的单个对象的定位。我们提出了一个网络的基础上DECOLLE,尖峰模型,使本地代理基于梯度的学习。Oxford-IIIT-Pet上报告的令人鼓舞的结果验证了脉冲神经网络与监督学习方法的开发,用于未来更复杂的视觉任务。
2021-05-12 cs.CV
IWN: Image Watermarking Based on Idempotency
本文受幂等生成网络启发,提出幂等水印网络IWN,利用幂等性提升彩色图像水印恢复质量,并在嵌入容量与鲁棒性之间取得平衡。
2024-09-29 cs.CV cs.MM
Fragile Watermarking for Image Certification Using Deep Steganographic Embedding
University of Cagliari(卡利亚里大学);Dedem S.p.A.(Dedem公司)
针对符合ICAO标准的面部图像易受篡改的问题,本研究提出基于深度隐写嵌入的脆弱水印技术,通过嵌入隐藏图像建立完整性标记,结合分类框架检测操作类型,实验证明其检测准确率高,可用于生物特征证件完整性验证。
2025-04-18 cs.CV cs.LG
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
Deep Data Hiding for ICAO-Compliant Face Images: A Survey
University of Cagliari(卡利亚里大学);Dedem S.p.A.(Dedem公司)
本文综述了在符合ICAO标准的人脸图像中嵌入数字水印和隐写术的深度数据隐藏技术,以弥补PAD缺乏采集后保护的不足,并分析其潜力、局限及部署权衡。
2025-08-26 cs.AI cs.CR cs.CV
Are Deep Neural Networks "Robust"?
Rutgers University(罗格斯大学)
将离群值与内值分离是计算机视觉中鲁棒性的定义。本文描述了深度神经网络与典型的鲁棒估计器的不同之处。深度神经网络在传统定义下并不健壮。
2020-08-25 cs.CV cs.LG
Deep Neural Networks for Pattern Recognition
Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
在模式识别研究领域,使用基于改进的计算硬件的深度神经网络的方法最近受到关注,因为与传统方法相比,其具有更高的精度。深度神经网络模拟人类视觉系统,在图像分类、目标检测和分割方面达到与人类相当的精度。本章介绍模拟人类神经网络的深度神经网络的基本结构。然后,我们确定的操作过程和应用的条件生成对抗网络,这是正在积极研究的基础上自下而上和自上而下的机制,人类视觉感知过程中最重要的功能。最后,讨论了复杂深度神经网络有效学习的训练策略的最新发展。
2018-09-25 cs.CV cs.LG
Design Considerations for Efficient Deep Neural Networks on Processing-in-Memory Accelerators
Massachusetts Institute of Technology(麻省理工学院)
本文描述了深度神经网络的各种设计考虑,使它们能够在内存处理加速器上高效准确地运行。我们强调了这些加速器的重要特性以及由此产生的设计考虑因素,这些设计考虑因素使用大型ImageNet数据集在各种最先进的深度神经网络上进行实验。
2019-12-18 cs.CV cs.ET
High-Capacity Robust Medical Image Exfiltration via Neural Network Weight Replacement
Université Côte d'Azur(蔚蓝海岸大学);Inria(法国国家信息与自动化研究所)
本文提出一种高容量神经隐写攻击,通过将医学图像编码为连续潜在表示嵌入模型权重,实现鲁棒且可扩展的数据窃取,并揭示现有参数级防御的不足。
2026-09-29 cs.AI cs.CR cs.CV
Deep Neural Networks - A Brief History
Virginia Commonwealth University(弗吉尼亚联邦大学);IITiS Polish Academy of Sciences(波兰科学院信息技术研究所)
介绍深度神经网络及其历史。
2017-01-19 cs.CV cs.LG cs.NE
Exploring the Imposition of Synaptic Precision Restrictions For Evolutionary Synthesis of Deep Neural Networks
University of Waterloo(滑铁卢大学)
深度神经网络取得令人难以置信的成功的一个关键因素是大规模并行计算设备的显著增长,使研究人员能够大大增加深度神经网络的大小和深度,从而显著提高建模精度。虽然更深、更大或更复杂的深度神经网络已经显示出相当大的前景,但这种网络的计算复杂性是在资源匮乏的情况下利用的主要障碍。我们在进化的深度智能框架内探索了深度神经网络在形成有效的深度神经网络架构中的突触发生,其中引入了概率生成建模策略,以随机合成越来越高效且有效的后代深度神经网络,以概率的方式模仿遗传,随机突变和自然选择等进化过程。在这项研究中,我们主要探讨突触精度限制的施加及其对深度神经网络进化合成的影响,以合成更有效的网络架构,为资源匮乏的情况下量身定制。实验结果表明,突触效率(基于GoogLeNet的DetectNet降低了约10倍)和推理速度(基于GoogLeNet的DetectNet增加了> 5倍)得到了显着改善,同时保持了建模精度。
2017-07-01 cs.CV cs.LG cs.NE
Characterizing the Decision Boundary of Deep Neural Networks
Michigan State University(密歇根州立大学)
深度神经网络,特别是深度神经分类器已经成为许多现代应用的组成部分。尽管它们在实践中取得了成功,但我们对它们如何工作的了解仍然有限,对这种了解的需求正在不断增长。在这方面,深度神经网络分类器可以帮助我们加深对其决策行为的了解的一个关键方面是调查其决策边界。然而,这取决于是否能够接触到决策边界附近区域的样本。为了实现这一点,我们提出了一种新的方法,我们称之为深度决策边界实例生成(DeepDIG)。DeepDIG利用基于对抗性示例生成的方法作为在任何深度神经网络模型的决策边界附近生成样本的有效方式。然后,我们引入了一组重要的原则性特征,这些特征利用决策边界附近生成的实例来提供对深度神经网络的多方面理解。我们在各种深度神经网络模型的多个代表性数据集上进行了广泛的实验,并描述了它们的决策边界。该代码可在https://github.com/hamidkarimi/DeepDIG/上公开获取。
2020-06-03 cs.CV cs.LG stat.ML
StochasticNet: Forming Deep Neural Networks via Stochastic Connectivity
University of Waterloo(滑铁卢大学);Aimetis Corp.(Aimetis公司)
深度神经网络是机器学习的一个分支,由于其在高度复杂的数据中表示和建模高级抽象的强大能力,它的流行度迅速上升。深度神经网络中一个已经成熟的探索领域是神经连接的形成。一项关于大鼠脑组织的关键研究发现,新皮层神经微回路中特定功能连接的突触形成可以令人惊讶地被建模和预测为随机形成。受这一有趣发现的启发,我们引入了StochasticNet的概念,其中深层神经网络通过神经元之间的随机连接形成。因此,通过允许神经元连接是随机的,任何类型的深度神经网络都可以形成为StochasticNet。在深度神经网络架构中,随机突触形成可以允许有效利用神经元来执行特定任务。为了评估这种深度神经网络架构的可行性,我们使用四种不同的图像数据集(CIFAR-10,MNIST,SVHN和STL-10)训练StochasticNet。实验结果表明,使用不到传统深度神经网络一半数量的神经连接的StochasticNet在CIFAR-10,MNIST和SVHN数据集上实现了相当的准确性并减少了过拟合。有趣的是,与传统的深度神经网络相比,神经连接数量不到一半的StochasticNet在STL-10数据集上实现了更高的准确性(与ConvNet相比,测试出错率相对提高了约6%)。最后,StochasticNets具有更快的运行速度,同时实现更好或类似的精度性能。
2015-11-10 cs.CV cs.LG cs.NE