Abstract:
- 成功的自适应隐写术主要集中在嵌入有效载荷,同时最小化适当定义的失真函数。深度学习在隐写分析中的应用极大的挑战了现有的自适应隐写方法,但也显示了隐写术改进的潜力。这篇文章提出了一种用于隐写术的失真函数生成框架,它有三个模块:一个U-Net结构的生成器,用于将载体图像转换为嵌入改变概率映射图;一个无需预训练的双Tanh函数用于在对抗训练中传播梯度时逼近最佳嵌入模拟器;以及一个基于卷积神经网络和多个高通滤波器作为判别器的增强型隐写分析器。在不同数据集上的大量实验结果表明,该框架优于当前最先进的隐写术方案。此外,与基于GAN的自动隐写失真学习框架(ASDL-GAN)相比,对抗训练时间大大减少。
- This will be referred to as UT-GAN, which incorporates a generator based on U-Net, the double-tanh function,and a discriminator based on XuNet.
Conclusion
- 本文提出了一种增强型基于GAN的方案,用于学习图像隐写术的嵌入代价。提出了一种双Tanh函数来逼近最优前途模拟器。一个基于U-Net结构的生成器被采用,鉴别器中集成了多个高通滤波器,以进一步增强对抗训练。由传统的和基于CNN的隐写分析器给出的实验结果允许我们得出如下结论:
- 1)当生成器和判别器被增强时,基于GAN的嵌入成本设计方案可以比传统的手工方法表现的更好。
2)使用基于U-Net的生成器和双tanh函数可以有效减少训练时间。
3)在载体源不匹配的情况下,UT-6HPF-GAN仍然优于最先进的方法。 - 基于GAN的隐写术方法首次超过了手工制作的隐写算法HILL、MiPOD和S-UNWARD,这也表明了UT-6HPF-GAN在安全性和计算时间上都优于ASDL-GAN。
- 我们的方法展示了一种增强隐写术安全性的有前途的方法。通过探索对抗训练中生成器和判别器结构之间的关系可以进一步提高框架的效率和安全性。此外,如何将基于GAN的方法用于JPEG领域的隐写术也是一个指的探索的研究方法。