Abstract:
- 生成对抗网络已经显示出在两个子网络相互竞争的统一框架下,可以有效的生成来自真实对应物的人工样本。本文,首先提出了一种使用生成对抗网络的自动隐写失真学习框架,该网络由隐写生成子网络和隐写分析判别子网络组成。通过交替训练这两个相互对抗的自网络,我们提出的框架可以自动学习给定空间载体图像的每个像素的嵌入改变概率。学习的嵌入变化概率然后可以被转换成嵌入失真,这可以在现有的最小失真嵌入框架中采用。在此框架下,失真函数与对抗进化隐写分析器下的不可检测性直接相关。实验结果表明,在对抗学习的情况下,我们提出的框架可以有效的从开始时几乎是简单的随机嵌入发展到更高级的内容自适应嵌入,即试图在纹理区域嵌入秘密比特。随着训练迭代的增加,安全性能也在稳定的提升。
- Automatic Sreganographic Distortion Learning framework with GAN(ASDL-GAN)。
Coclusion:
这篇文章的贡献如下:
- 1)我们首先提出了ASDL-GAN,一种基于GAN的自动隐写失真学习框架,它模拟加性失真隐写和基于深度学习的隐写分析之间的竞争,在SADL-GAN的框架下,学习的失真函数和对抗隐写分析器的不可检测性直接相关。
- 2)我们在ASDL-GAN的框架下实现了一个隐写方案,实验结果表明该方案能够通过两个对抗子网络的交替训练,以内容自适应的方式自学嵌入秘密比特。
- 在我们未来的工作中,我们想要将我们提出的ASDL-GAN框架应用到有百万张可用图片的JPEG域,并结合更加先进的深度学习框架来提高其安全性能。