Abstract:
- 大多数当前的隐写术方案通过最小化试探性定义的失真来嵌入秘密有效载荷。类似地,使用配备有丰富图像模型的分类器根据经验评估他们的安全性。在本文中,我们寻求一种基于局部估计的多变高斯载体图像模型的可替代方案,该模型足够简单,可以导出自适应LSB匹配的最强检测器的封闭表达,但同时又足够复杂,可以捕获自然图像的非平稳特性。我们表明当适当选择载体模型估计量时,可以获得最先进的性能。所选模型中可检测性的封闭表达用于获得关于作为分类器构建的经验经验隐写分类器的性能极限的新的基本认识。特别的,我们考虑了一种新的可检测性受限的发送器,并估计了单个图像安全有效载荷。MiPOD(Minimizing
the Power of Optimal Detector)。
Conclusion
- 自从推出OutGuess以来,基于模型的隐写术已经存在了将近15年。使i我们的方法不同与众不同的是参数空间的维度,它允许我们捕捉图像的非平稳特性,以及我们不试图保留模型而是最小化嵌入的影响的事实。我们将图像噪声残差建模为具有变化方差的独立量化高斯变量序列。通过处理残差,除了获取噪声之外我们设计在模型中包含依赖于内容的建模错误,这对隐写的分析有很大的影响。另一方面,独立性假设和高斯分布的简单性允许我们推导出所选模型中内容自适应LSB匹配的最强大检测器的功率的封闭表达式。这使得我们能够在隐写术设计和隐写分析方面获得以下的新颖见解。
- 首先,我们使用我们的方法来设计隐写术,使最佳检测器的功率最小化,而不是试探性的组合失真。通过调整模型方差估计器的参数,我们的嵌入方案叫做MiPOD,其安全性与当今最先进的隐写方案不相上下。通过优化局部
方差估计,进一步的优化使可能的。这里我们指出一个警