论文阅读《Joint Adaptive Robust Steganography Network》联合自适应鲁棒隐写网络（JARS-Net）

糖炒栗子要加糖

已于 2024-09-09 04:09:45 修改

阅读量1k

点赞数 13

分类专栏：鲁棒隐写文章标签：人工智能计算机视觉深度学习

于 2024-09-08 21:21:39 首次发布

本文链接：https://blog.csdn.net/2301_81845359/article/details/142033110

版权

鲁棒隐写专栏收录该内容

8 篇文章 0 订阅

订阅专栏

一、文章概述

隐写系统内的传输失真很容易导致揭示和隐形性能的显著降低。先前的研究在不同失真方面缺乏足够的适应性，这阻碍了鲁棒图像隐写术性能的提高。本文提出了联合自适应鲁棒隐写网络（JARS-Net）。具体来说，首次提出了分层注意可逆（HAI）机制，通过逐渐调整和融合来自不同深度和尺度的封面秘密信息实现自适应特征调整。此外，提出了自适应密钥学习（AKL）作为一种自适应的隐写策略，用于在不同失真下生成秘密恢复的自适应密钥。此外，借助可逆HAI和软性AKL的联合作用，揭示的秘密图像可以沿着反向HAI流逐渐从接收到的隐写图像中解耦。大量实验证明，所提出的JARS-Net可以显著提升在不同失真下隐蔽通信的隐形性和揭示性能。

二、文章提出的方法

所提问题：隐写系统内的传输失真很容易导致揭示和隐匿性能的显著降低。先前的工作缺乏针对不同失真的充分适应性，这阻碍了稳健图像隐写术性能的提高。

1.HAI机制在JARS-Net中的自适应特征调整

HAI（Hierarchical Attentive Invertible）机制在JARS-Net中实现自适应特征调整的方式如下：

分层处理：HAI机制通过分层处理，即利用PIHT（Paired Invertible Hierarchical Transformation），在不同的层级上对图像进行处理。这包括HFT（Hierarchical Forward Transformation）和HBT（Hierarchical Backward Transformation），它们分别用于前向隐藏阶段和后向揭示阶段。
注意力机制：在每个HAI块中，特别是在中间的AI（Attentive Invertible）块中，通过注意力机制（如ICSA，Invertible Channel-Spatial Attention）自适应地调整特征。这种机制能够根据图像内容的重要性动态调整特征的权重，从而更好地处理图像。
融合与分离：在前向隐藏流中，封面图像和秘密图像通过HAI块逐步融合，生成隐写图像。在后向揭示流中，接收到的可能受损的隐写图像通过HAI块逐步分离，恢复出秘密图像。

2.AKL策略生成密钥的过程

AKL（Adaptive Key Learning）策略根据自适应隐写策略生成密钥的过程如下：

关键真实（GT）模块：在隐藏阶段，AKL通过关键真实（Ground Truth, GT）模块处理丢失信息，生成自适应密钥的GT。
关键模块：在揭示阶段，AKL利用关键模块进一步处理辅助密钥变量，生成适应不同失真情况的自适应密钥。
软一致性：通过构建自适应密钥和GT之间的软一致性，AKL能够在不同失真情况下为隐写图像的恢复提供适当的密钥，从而提高恢复质量。

3.JARS-Net在不同失真情况下的性能表现

JARS-Net在不同失真情况下的性能表现通过以下实验数据得到支持：

平均像素差异（APD）：在面对模糊、JPEG压缩、像素级丢弃和泊松噪声等失真时，JARS-Net生成的隐写图像与原始封面图像之间的APD较低，表明其在保持隐蔽性方面表现良好。
峰值信噪比（PSNR）和结构相似性（SSIM）：在揭示秘密图像时，JARS-Net能够获得较高的PSNR和SSIM值，这意味着其在恢复秘密图像的质量方面表现优异。
实验对比：与现有的隐写方法相比，如ISN、DeepMIH和RIIS等，JARS-Net在不同失真情况下的APD、PSNR和SSIM指标上均有显著提升，证明了其在鲁棒图像隐写领域的先进性能。

这些实验数据表明，JARS-Net能够有效地应对各种传输过程中可能出现的失真情况，保持隐写图像的隐蔽性和秘密图像的恢复质量，实现了鲁棒的图像隐写。