Abstract:
- 所有现有的图像隐写方法使用手工制作的特征来隐藏二进制有效载荷到载体图像中,这导致了小的有效载荷容量和图像失真。这里我们提出了一种基于编码器-解码器结构的卷积神经网络用于作为有效载荷的图像的嵌入。为此,我们做了如下三大贡献:i) 我们提出了基于深度学习的通用图像隐写编码器-解码器结构。ii)我们引入了一个新的损失函数,确保编码器-解码器网络的联合端到端训练。iii)我们在一列具有挑战性的公开数据集(MNIST、CIFAR10、PASCAL-VOC12、ImageNet、LFW)上对进行了广泛的评估,并在PSNR和SSIM的高值下报告了最先进的有效载荷容量。
Conlusion
- 本文提出了一种新颖的基于CNN的图像隐写编码器-解码器结构,早期的方法只考虑二进制表似乎作为有效载荷,相比之下,我们的算法直接将图像作为有效载荷,并使用一对编码器解码器网络进行嵌入和从载体图像中鲁棒性的恢复。据我们所知,没有这样的早期工作存在,我们是第一个介绍这种方法的使用深度神经网络的图像隐藏。我们已经进行了大量的实验并通过在广泛的野生数据集上显示具有强大的有效载荷能力的优秀结果,从经验上证明了我们提出的方法的优越性。