论⽂：
摘要
2014年GAN出现，2016年第⼀个基于深度学习的隐写模型——SGAN
四类基于深度学习的隐写模型：
2）基于嵌⼊载体式
3）基于合成载体式
4）基于映射关系式
引⾔
原始空域隐写算法：LSB，±1嵌⼊
⾃适应隐写：S-UNIWARD、HILL、WOW、HUGO
隐写分析
隐写分析的具体过程分为两步：特征提取和分类器训练，通常先利⽤⾼通滤波器获取残差图像, 再利⽤各种统计模型提取隐写分析特征。传统隐写分析⽅法： Spatial Rich Model，SRM、maxSRM
基于深度学习的隐写模型：
2.1 基于⽣成载体式深度学习隐写模型
2017 年 Volkhonskiy 等提出的 SGAN 模型中被⾸次提出，模型⾸先将随机噪声作为输⼊，通过 DCGAN⽣成尽可能真实的载体图像，再使⽤传统的 ±1嵌⼊算法实现秘密信息的隐藏，最后将含密图像作为隐写分析⽹络的输⼊，在隐写分析对抗训练过程中提升其抗检测能⼒。但训练过程不稳定且⽣成的载体图像质量较差。
2018年SSGAN，将载体图像的⽣成⽹络替换成 Wasserstein GAN( 简称为WGAN), WGAN 的损失函数使⽤对距离分布更加敏感的 EM 距离(⼜称为 Wasserstein distance)来提供更加有意义的梯度，从⽽⽣成更加符合真实分布的载体图像。
2.2 基于嵌⼊载体式深度学习隐写模型
2.2.1 ⾃动学习嵌⼊改变概率以及嵌⼊代价
镜面果胶现有的⾃适应隐写算法都是基于最⼩嵌⼊失真框架设计的。
S-UNIWARD 使⽤的是⼀种与嵌⼊域⽆关的通⽤失真函数；
HILL 是在像素内嵌⼊⼀些信息的效果，为像素分配成本，定义失真函数域，使⽤加权范数将像素压缩到特征空间；
WOW 则是根据复杂区域将秘密信息嵌⼊到载体图像中，如果图像的区域在结构上⽐另⼀区域更加复杂，则该区域像素值被更改.superboost
Li 等⼈在 2017 年提出利⽤⽣成对抗⽹络⾃动学习嵌⼊失真代价，从⽽寻最⼩失真嵌⼊位置的隐写模型 ASDL-GAN，由三部分组成：⽣成器，嵌⼊模拟器，判别器。
1. ⽣成器将真实图像（⼜称为载体图像）作为输⼊，⽣成“⾮ 0”的嵌⼊改动概率图；
2. 把概率图放⼊嵌⼊模拟器（TES）“模拟”秘密数据的嵌⼊，⽣成与载体图像同尺⼨⼤⼩的改动位置映射图，该图每个像素点的取值
范围都在{-1，0，1}之间；
3. 将载体图像与改动位置映射图进⾏点对点相加，⽣成“模拟”的含密载体，判别器检测载体图像是否含有秘密消息.
捆扎胶带问题：收敛慢
2.2.2 编码-解码⽹络
先将多个数据（⽐如:⽂字、数据、图像等）先融合，然后再进⾏抽离或提取.
Hayes 等⼈提出的 SteGAN，利⽤Alice、Bob 和 Eve三⽅对抗游戏，分别⽤来进⾏信息隐藏、信息提取与隐写分析。但未充分考虑到含密图像的图像质量以及与真实载体图像之间存在的差距。
中科院Wang 等⼈[31]提出了 SsteGAN 模型，该模型在SteGAN 的基础上添加了⼀个 Dev ⽅，Alice ⽅通过与 Dev ⽅的对抗训练缩减含密图像与原载体图像之间的距离，然后⽣成更加真实的含密图像。
污水止回阀Zhu 等⼈HiDDeN，编码-解码⽹络由卷积⽹络构成，考虑到含密载体在通信传输过程中的安全问题在，编码和解码⽹络之间加⼊了噪声层进⾏噪声建模. 编码⽹络经由噪声层“模拟”⽣成带有噪声的含密图像，解码⽹络将其作为输⼊进⾏秘密信息的提取 。但隐藏容量最⾼只能达到 0.2bpp。
Zhang等⼈[20]在 2019 年提出了 SteganoGAN（以图藏⽐特数据），该隐写模型可以在载体图像中隐藏任意⼆进制⽐特数
据，SteganoGAN 模型由三部分组成：编码器，解码器以及评价⽅.
Baluja 等⼈[17]在2017 年⾸次提出以图藏图的深度学习隐藏⽹络Deep Steganography.
Baluja 等⼈则以突破隐写容量为⽬标不断研究，在 2019 年⼜提出了“⼀图藏多图”.
Atique 等⼈[37]从另⼀⾓度出发，将秘密图像由
3 通道的彩⾊图像更换为单通道的灰度图像，Zhang 等⼈[38] 提出的 ISGAN 模型在Y 通道嵌⼊灰度图像。
问题：
图像质量下降，颜⾊失真；
解码⽹络⽆法百分百的实现秘密消息的重新提取；
xoy2编码-解码⽹络这种端对端隐写模型并不适⽤于现实情况，现有编码⽹络⼤多直接将输出的浮点型张量
作为解码⽹络的输⼊，从⽽实现秘密图像的重建. 但是，在现实世界中发送⽅必须要将编码⽹络输出的张量转换成图像后才能发送给接收⽅进⾏提取. 因此，这个过程必然会造成张量信息的丢失从⽽造成解码⽹络提取准确度的下降.
2.2.3 对抗样本
利⽤对抗攻击或者对抗噪声去欺骗基于深度学习的隐写分析⼆分类器
漂流河道设计基于嵌⼊载体式深度学习隐写模型优缺点对⽐
2.3 基于合成载体式深度学习隐写模型
利⽤ GAN ⽹络进⾏图像合成（⽐如图像修复、图像拼接、前景⽣成等）的同时完成信息隐藏。
基于合成载体式深度学习隐写⽅法⽬前有两种实现途径：
1. 是先利⽤⽣成对抗⽹络对原始载体图像进⾏⼆次改动，⽣成全新的图像，并在新⽣成的图像区域利⽤传统隐写算法完成秘密信息的嵌
⼊；
2. 另⼀种是在原始载体图像受损区域中利⽤传统隐写算法嵌⼊秘密信息，然后将图像放⼊⽣成对抗⽹络完成对图像的修复.
但是，该类隐写⽅法在秘密信息提取时都需要依靠额外的 mask（⽐如前景图像轮廓、卡丹格等）才能完成，这对隐写模型的安全性造成了⼀个潜在的威胁. 同时，该类隐写模型中⽣成对抗⽹络性能的好坏对于含密图像质量有着很⼤影响。
2.4 基于映射关系式深度学习隐写模型
Hu 等⼈[24]依据 SWE（⽆嵌⼊隐写）⼜称作⽆载体隐写思想提出了⼀个基于 DCGAN 的隐写⽹络模型，，将秘密信息 m 转换成⼆进制序列，与[-1,1]范围的 100 维随机噪声向量 z 构建映射关系，然后将该随机噪声作为DCGAN ⽹络的输⼊，经过对抗训练输出尽量符合⾃然图像统计分布的⽣成图像，该图像也可看作含密载体图像. 接收⽅利⽤由反卷积层组成的提取⽹络提取出秘密信息.
Zhang 等⼈[25]在 Hu 等⼈的基础上，利⽤ CycleGAN 对噪声⽣成的图像 C 进⾏了风格迁移，并对风格迁移后的图像 C’进⾏恢复. 在恢复原始⽣成图像 C 的过程中，该隐写模型直接将恢复的噪声向量 z 作为输出，最后接收⽅通过映射关系完成噪声向量到秘密信息的转换. Meng 等⼈[26]利⽤ VGG-19 ⽬标检测⽹络以及映射关系，将秘密信息与图像中多个⽬标的类别、颜⾊等特征形成映射关系. 该隐写⽅法⾸先选择符合秘密消息对应映射关系的⾃然载体图像，再使⽤ VGG-19 检测出⽬标所在位置以及适合隐写的安全区域，最后使⽤隐写算法完成对秘密消息的隐藏和提取。
问题：隐写容量很低
深度学习隐写模型问题：
1. ⽣成的载体图像不够真实⾃然。可以结合更加先进的 BEGAN 或者 PG-GAN 等⽹络，⽣成⾼清、纹理细节丰富的载体图像。
2. 利⽤ FGSM 攻击算法⽣成对抗含密图像耗时久，泛化性差。⽬前隐写模型中⽣成对抗样本采⽤的⽅法都是—FGSM。
3. 基于编码-解码⽹络⼤容量隐写模型安全性差，难以抵抗隐写分析模型的检测。利⽤对抗样本能够有效提升基于编码-解码⽹络的⼤容量
隐写模型的安全性。
4. 提取⽹络⽆法实现秘密信息的⽆损恢复。针对基于映射关系式和基于编码-解码⽹络。
基于对抗样本的⼤容量隐写⽅法
论⽂思路：⾸先利⽤隐藏⽹络将秘密图像 S 编码到载体图像 C 中，然后将⽣成的普通含密图像 C’放⼊对抗噪声⽣成⽹络，让它与⽬标隐写分析对抗来⽣成对抗噪声. 最后将叠加了对抗噪声的含密图像C’’放⼊解码⽹络中提取秘密图像.
对抗噪声⽣成⽹络也包含三个⼦⽹络：噪声⽣成⽹络、判别⽹络、⽬标⽹络。
噪声⽣成⽹络 G 将含密图像 Stego 作为输⼊，⽣成能够成功⼲扰隐写分析分类的对抗噪声.
判别⽹络 D ⽤于缩⼩对抗含密图像与含密图像之间的差别，减少对抗噪声对于含密图像质量造成的影响.
⽬标⽹络 f 即预训练好的隐写分析⽹络通过输出的概率值，引导对抗噪声的⽣成，最终使得叠加了对抗噪声的含密图像 C’’尽可能被分类为载体图像.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议