Weakening the Detecting Capability of CNN-based Steganalysis
近年来，深度学习在隐写分析中的应用引起了众多研究者的关注。大多数提出的隐写分析深度学习模型都来自于应用于计算机视觉的神经网络。这些类型的神经网络具有优异的性能。然而，所有这些类型的基于反向传播的神经网络都可能被称为对抗性示例的伪造输入所欺骗。为了提高现有隐写算法的安全性，本文提出了一种隐写对抗样本的生成方法。这些对抗性示例会增加隐写分析CNN的检测错误。实验证明了该方法的有效性。
2018-03-29 cs.MM
Large-scale JPEG steganalysis using hybrid deep-learning framework
深度学习在图像隐写分析中的应用仍处于初级阶段。在本文中，我们提出了一个通用的混合深度学习框架，结合丰富的隐写分析模型背后的领域知识的JPEG隐写分析。我们提出的框架包括两个主要阶段。第一阶段是手工制作的，对应于丰富模型的卷积阶段和量化&截断阶段。第二阶段是包含多个深度学习的复合深度神经网络，其中模型参数在训练过程中学习。我们提供了实验证据和理论思考，认为阈值量化器的引入，虽然禁用基于梯度下降的底部卷积阶段的学习，确实是成本效益。我们对从ImageNet中提取的大规模数据集进行了广泛的实验。我们实验中使用的主要数据集包含50万张封面图像，而我们最大的数据集包含500万张封面图像。我们的实验表明，将量化和截断集成到深度学习隐写分析器中确实可以明显提高检测性能。此外，我们证明了我们的框架对JPEG块效应的变化不敏感，并且学习的模型可以很容易地转移到不同的攻击目标，甚至不同的数据集。这些性质在实际应用中至关重要。
2017-11-25 cs.MM
Spec-ResNet: A General Audio Steganalysis scheme based on Deep Residual Network of Spectrogram
音视频通信技术的广泛应用，使得压缩后的音频数据在互联网上流动，成为隐蔽通信的重要载体。在主流的音频压缩数据中，出现了许多隐写方案，如AAC和MP3，随之而来的是许多隐写分析方案。然而，这些隐写分析方案仅在特定的嵌入域中有效。本文提出了一种通用的隐写分析方案Spec-ResNet（Deep Residual Network of Spectrogram），用于检测AAC和MP3的不同嵌入域的隐写方案。其基本思想是，不同嵌入域的隐写修改都会引入解码音频信号的变化。本文采用音频信号频谱的可视化表示--声谱图作为特征网络的输入，提取隐写方案引入的通用特征;设计深度神经网络Spec-ResNet来表示隐写分析特征;并将不同声谱图窗口提取的特征进行组合，以全面捕获隐写分析特征。实验结果表明，该方案具有较好的检测精度和通用性。该方案具有更好的检测精度为三种不同的AAC隐写方案和MP3隐写比现有的隐写分析方案，这是基于传统的手工制作或基于CNN的功能。据我们所知，音频隐写分析方案的基础上的频谱图和深度残差网络，本文首次提出。该方法可以推广到其他编解码器的音频隐写分析或音频取证中。
2019-02-26 cs.MM
Robust image steganography against lossy JPEG compression based on embedding domain selection and adaptive error correction
针对社交网络JPEG有损压缩导致隐写信息难以可靠传输的问题，提出结合自适应嵌入域选择与纠错容量调节的鲁棒图像隐写方法，提升了抗隐写分析性与鲁棒性。
2023-04-26 cs.MM
New Design Paradigm of Distortion Cost Function for Efficient JPEG Steganography
最近，随着JPEG相位感知隐写分析功能的引入，例如，JPEG隐写失真代价函数GFR的设计不仅要保持DCT域的统计不可检测性，而且要保持空域的统计不可检测性。为了解决这个问题，本文提出了一种新的范式JPEG隐写失真成本函数的设计，通过一个广义失真成本域变换（DCDT）函数计算失真成本。所提出的函数包括解压缩的像素块嵌入变化及其对应的单位变化的嵌入失真代价，其中像素嵌入失真代价以更一般的指数模型表示，旨在灵活地分配嵌入数据。通过这种方式，JPEG隐写术可以被公式化为最小化其解压缩空间域中的总失真代价的优化问题，这相当于最大化其对JPEG相位感知隐写分析特征的统计不可检测性。实验结果表明，所提出的DCDT配备了HiLL（空间隐写失真代价函数）是优于其他国家的最先进的JPEG隐写方案，例如，UERD、J-UNIWARD和GUED在抵抗JPEG相位感知特征的基于特征的隐写分析器GFR和SCA-GFR的检测方面，与BET-HiLL竞争，计算复杂性低一个数量级，并且通过考虑相互依赖的嵌入交互作用有可能进一步改进。此外，建议的DCDT也被验证是有效的，不同的图像数据库和质量因素。
2021-06-10 cs.MM
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
An adaptive algorithm for embedding information into compressed JPEG images using the QIM method
JPEG图像的广泛应用为秘密信息的存储和传输提供了良好的掩护。提出了一种基于隐写QIM方法的JPEG图像信息嵌入新算法。这种嵌入的主要问题是统计隐写分析的脆弱性。为了解决这个问题，提出了使用可变量化步长，这是自适应选择的JPEG封面图像的每个块。实验结果表明，该方法成功地提高了嵌入的安全性。
2020-12-16 cs.CR cs.MM
JPEG Steganalysis Based on DenseNet
与传统的计算机视觉中基于图像内容的深度学习工作不同，深度隐写分析是通过深度学习来检测图像中隐藏的秘密信息的一种技术，其挑战在于检测隐藏在宿主图像中的不可见的弱信息，从而在极低信噪比（SNR）的情况下进行学习。在本文中，我们提出了一个32层的卷积神经网络（CNN），通过将前几层的所有特征以相同的特征图大小连接起来，来提高预处理和重用特征的效率，从而改善信息流和梯度。共享特征和瓶颈层进一步改善了特征传播并显著降低了CNN模型参数。在BOSSbase、BOWS 2和ImageNet数据集上的实验结果表明，所提出的CNN结构可以提高性能，增强鲁棒性。为了进一步提高检测精度，提出了一种集成结构CNN-SCA-GFR，CNN-SCA- GFR也是第一个将CNN结构和传统方法在JPEG域相结合的工作。实验表明，该方法能进一步降低检测错误率。与BOSSbase上的XuNet [1]方法相比，所提出的CNN-SCA-GFR架构可以在CNN中的训练参数数量仅为XuNet使用的17%的情况下，将0.1 bpnzAC的检测出错率降低5.67%，将0.4 bpnzAC的检测错误率降低4.41%。对于0.1 bpnzAC和0.4 bpnzAC，它也使传统方法SCA-GFR的检测误差分别降低了7.89%和8.06%。
2018-04-18 cs.MM
Tackle CSM in JPEG Steganalysis with Data Adaptation
LABEL4.AI；Univ. Lille（里尔大学）；CNRS（国家科学研究中心）；Centrale Lille（里尔中央理工大学）；UMR 9189 CRIStAL（里尔大学UMR 9189 CRIStAL）；IMT Nord Europe（北欧IMT）；Centre for Digital System（数字系统中心）；Department of Computers（计算机系）
本文提出TADA框架，通过数据适应方法学习未知的处理流程，以提高在真实场景中对抗CSM问题的鲁棒性，并改进实际应用中的泛化能力。
2026-05-19 cs.AI cs.CV cs.MM
Graph Representation Learning for Spatial Image Steganalysis
Shanghai University（上海大学）
在本文中，我们介绍了一个图表示学习架构的空间图像隐写分析，这是出于假设隐写修改必然扭曲的隐藏图特征的统计特性来自封面图像。在详细的架构中，我们将每个图像转换为一个图，其中节点表示图像的补丁，边缘表示补丁之间的局部关系。每个节点与通过浅卷积神经网络（CNN）结构从对应的补丁确定的特征向量相关联。通过将图馈送到注意力网络，可以学习鉴别特征以进行有效的隐写分析。实验表明，报告的架构实现了竞争力的性能相比，基准CNN模型，这表明了潜在的图学习的隐写分析。
2022-02-15 cs.CV cs.MM eess.IV
Steganalysis of 3D Objects Using Statistics of Local Feature Sets
3D隐写分析旨在通过数字水印或隐写术来识别图形对象中产生的细微的不可见变化。从覆盖和隐写3D网格对象中提取的3D特征的统计表示集被用作机器学习分类器的输入，以决定是否有任何信息隐藏在给定的图形对象中。根据先前的研究，可以使用局部几何特征集来定义隐写和覆盖对象之间的差异。在本文中提出的功能，包括那些代表当地的对象曲率，顶点法线，在球坐标系中的局部几何表示，并被认为是在各种组合与他人。我们还分析了各种3D特征集的有效性应用于隐写分析的基础上的皮尔逊相关系数。本研究所提出的辨识立体隐藏与遮蔽物件的分类器包括支持向量机与Fisher线性判别组合。三种不同的水印和隐写方法用于隐藏信息的3D对象用于测试所提出的隐写分析方法的性能。
2017-02-23 cs.CR cs.MM
Deep Convolutional Neural Network to Detect J-UNIWARD
本文提出了一个应用卷积神经网络（CNN）检测J-UNIWARD，最安全的JPEG隐写方法之一的实证研究。指导CNN架构设计的实验已经在JPEG压缩的BOSSBase上进行，该BOSSBase包含10，000个大小为512 x512的封面。结果证明，池化方法和CNN的深度对性能至关重要。结果还证明，20层CNN，一般来说，优于最复杂的基于特征的方法，但其优势逐渐减少难以检测的情况。为了证明性能适用于大规模数据库和不同的覆盖大小，我们在ImageNet的CLS-Cover数据集上进行了一个实验，该数据集包含超过100万个裁剪为256 x256统一大小的覆盖。提出的20层CNN已经将最近提出的用于大规模JPEG隐写分析的CNN的错误减少了35%。源代码可通过GitHub获得：https://github.com/GuanshuoXu/deep_cnn_jpeg_steganalysis
2017-04-26 cs.MM
Multi-Contextual Design of Convolutional Neural Network for Steganalysis
最近，基于深度学习的隐写分析分类器由于其最先进的性能而变得流行。大多数深度隐写分析分类器通常使用高通滤波器提取噪声残差作为预处理步骤，并将其馈送到其深度模型进行分类。据观察，最近的隐写嵌入并不总是限制他们的嵌入在高频区;相反，他们分布根据嵌入策略。因此，除了噪声残差之外，学习嵌入区域是另一项具有挑战性的任务。在这项工作中，与传统方法不同，所提出的模型首先使用学习的去噪内核提取噪声残差，以提高信噪比。预处理后，稀疏噪声残差被馈送到一个新的多上下文卷积神经网络（M-CNET），使用异构上下文大小来学习噪声残差的稀疏和低幅度表示。模型的性能进一步提高，通过纳入自我注意力模块，专注于易于隐写分析嵌入的领域。一组全面的实验进行了显示所提出的方案的效率超过现有技术。此外，消融研究给出了证明所提出的架构的各个模块的贡献。
2021-11-04 cs.CV cs.MM eess.IV
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
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
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
LSB Matching Steganalysis Based on Patterns of Pixel Differences and Random Embedding
提出了一种新的灰度图像LSB匹配隐写检测方法。该方法基于随机数据嵌入前后相邻像素之间的差异分析。在自然图像中，相邻像素之间存在强相关性。这种解释受到LSB匹配的干扰，产生新类型的相关性。本方法从这些相关性中产生模式，并分析它们在隐藏随机数据时的变化。对两个不同的图像数据库进行的实验表明，该方法产生了更好的分类准确率与现有技术的LSB匹配和HUGO隐写。此外，虽然该方法是针对空间域设计的，但一些实验表明其也适用于检测JPEG隐写。
2017-03-02 cs.MM
A Robust Image Steganographic Scheme against General Scaling Attacks
传统的隐蔽图像通信被假定为在无损信道上以对于给定有效载荷可能的最简单的方式传输消息，并且相关联的隐写方案通常容易受到主动攻击，例如，JPEG重新压缩，缩放，如在社交网络上看到的。虽然抗JPEG重压缩的鲁棒隐写术已经取得了相当大的进展，但由于算法设计中涉及到棘手的逆插值，因此很少有能够抵抗缩放攻击的隐写方案。针对这一问题，本文提出了一种抗缩放的鲁棒图像隐写框架，该框架可以是标准形式的固定插值块，也可以是基于预滤波的可变块反走样算法。鲁棒隐写算法的任务可以归结为一个约束整数规划问题，其目标是在最小化隐藏图像与隐藏图像之间的差异的同时，从隐藏图像中完美地恢复秘密信息。通过引入像素参与度（dPI）来识别覆盖图像中的可修改像素，分支定界算法（B\&B）可以有效地解决上述优化问题。此外，采用自定义的缩放隐写图像的失真函数，以进一步提高安全性能。实验结果表明，该方案不仅在安全性上明显优于现有技术，而且适用于抵抗任意缩放因子（SF）下各种插值技术的缩放攻击.
2022-12-06 cs.MM
Robust Steganography with Boundary-Preserving Overflow Alleviation and Adaptive Error Correction
本文针对JPEG重压缩中的空间截断问题，提出一种基于空间块溢出特性分析的边界保持预处理方法，并结合自适应纠错编码，在提升隐写鲁棒性和嵌入容量的同时增强抗隐写分析安全性。
2024-11-21 cs.CR cs.MM
CNN-Assisted Steganography -- Integrating Machine Learning with Established Steganographic Techniques
Darwin Deason Institute for Cyber Security（达尔文·迪森网络安全研究所）；Southern Methodist University（南卫理公会大学）
提出用SA-CNN辅助参数化隐写算法，依据载体媒体自适应配置S-UNIWARD，并通过Yedroudj-Net验证其可降低被隐写分析检测的有效性。
2023-04-25 cs.CR cs.LG cs.MM
Improving Blind Steganalysis in Spatial Domain using a Criterion to Choose the Appropriate Steganalyzer between CNN and SRM+EC
传统的最先进的图像隐写分析方法通常由一个分类器训练的丰富的图像模型提供的功能。由于特征提取和分类步骤都完美地体现在称为卷积神经网络（CNN）的深度学习架构中，因此不同的研究试图设计基于CNN的隐写分析器。Xu等人设计的网络是第一个具有竞争力的CNN，其组合了空间丰富模型（SRM）和包围分类器（EC），提供了相同数量级的检测性能。在这项工作中，我们提出了一个标准来选择一个给定的输入图像的CNN或SRM+EC方法。我们的方法研究了三种不同的隐写空间域算法：S-UNIWARD，MiPOD和HILL，使用Tensorflow计算平台，并表现出比单独使用每种方法更好的检测能力。此外，由于SRM+EC和CNN都只使用单一的嵌入算法（即MiPOD）进行训练，因此所提出的方法可以被视为盲隐写分析的方法。在盲检测中，在有效载荷为0.4 bpp的BOSSBase上，S-UNIWARD、MiPOD和HILL的出错率分别为16%、16%和17%。对于0.1 bpp，相应的出错率分别为39%、38%和41%，并且总是优于SRM+EC提供的错误率。
2017-01-09 cs.MM
CIS-Net: A Novel CNN Model for Spatial Image Steganalysis via Cover Image Suppression
图像隐写分析是一种特殊的二值分类问题，其目的是对自然的载体图像和在载体中嵌入了非常微弱的秘密信息的可疑图像进行分类。如何有效地抑制隐藏图像的内容，从而使隐藏图像和隐藏图像的分类更加容易，是本课题的关键。最近的研究表明，卷积神经网络（CNN）通过学习隐藏图像与隐藏图像之间的鉴别特征，可以有效地检测隐藏图像。通过将图像隐写/隐写分析的领域知识结合到网络的设计中，已经提出了几种深度CNN模型，并且在标准数据库上实现了最先进的性能。在此基础上，本文提出了一种新的隐写分析模型--Cover Image Suppression Network（CIS-Net），该模型通过在模型学习中尽可能地抑制图像内容来提高空间图像隐写分析的性能。在这项工作中，提出了两个新的层，单值截断层（STL）和次线性池层（SPL）。具体来说，STL在输入值超出预定义的间隔时将其截断为相同的阈值。理论上，我们证明了STL可以在不破坏有用信息的情况下降低输入特征图的方差。对于SPL，它利用次线性幂函数来抑制由覆盖图像内容引入的大值元素，并通过平均池化来聚集弱嵌入信号。大量的实验表明，所提出的网络配备STL和SPL实现更好的性能比丰富的模型分类器和现有的CNN模型上具有挑战性的隐写算法。
2019-12-13 cs.MM eess.IV
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
Side-Informed Steganography for JPEG Images by Modeling Decompressed Images
针对JPEG边信息隐写中舍入误差利用偏启发式的问题，本文通过估计舍入误差与嵌入变化的协方差，在解压图像空间域建模并最小化KL散度，显著提升了对抗深度学习检测器的安全性。
2022-11-09 cs.CR cs.MM eess.IV
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
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
On the usefulness of information hiding techniques for wireless sensor networks security
无线传感器网络（WSN）通常由基站和大量无线传感器组成。在某个时间快照从整个网络收集的传感数据可以可视化为图像。因此，信息隐藏技术可以应用于这个“感觉数据图像”。隐写术是指将数据隐藏到数字媒体中而不引起任何怀疑的技术，而隐写分析是检测隐写术存在的艺术。本文简要介绍了隐写术和隐写分析在无线传感器网络中的应用。然后，我们表明，隐写技术都与无线传感器网络中的感知数据认证，并考虑到攻击者的角度来看，这还没有在文献中进行了研究。我们的模拟结果表明，汇水平是无法检测到的nsF5算法对感测数据进行的攻击。
2017-06-25 cs.MM cs.SE
Feature Bagging for Steganographer Identification
传统的隐写分析算法主要关注于检测单个目标中是否存在隐写。在实践中，人们可能会面临一个复杂的场景，其中多个用户中的一个或一些也被称为演员是有罪的使用隐写术，这被定义为隐写识别问题（SIP）。这就要求隐写分析专家设计有效和鲁棒的检测算法来识别有罪的行为者。目前主流的隐写算法主要采用聚类、集成和异常检测等方法，通过确定隐写者特征在高维空间中的距离，找出隐写者对应的异常点。然而，在高维空间中，特征点可能是稀疏的，使得特征点之间的距离可能变得彼此相对相似，这不利于检测。此外，在机器学习中众所周知，组合诸如提升和装袋的技术可以有效地提高检测性能。这促使作者在本文中提出了一个功能装袋方法SIP。所提出的工作合并来自多个检测子模型的结果，其中每个特征空间是从原始全维空间中随机采样的。我们创建了一个名为ImgNetEase的新数据集，其中包括从社交网站下载的5108张图像，以模仿真实世界的场景。我们从图像中提取PEV-274特征，并采用nsF 5作为隐写算法进行评估。实验表明，在大多数情况下，本文的方法在生成的数据集上显著提高了检测精度，显示了其优越性和适用性。
2018-10-29 cs.MM
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
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
