使用可逆神经网络实现隐写嵌入和提取
参考链接：Lu S P, Wang R, Zhong T, et al. Large-Capacity Image Steganography Based on Invertible Neural Networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 10816-10825.
论文中文版
1. 主要贡献
- 使用可逆隐写网络（ISN）实现隐写和恢复
- 负载率提升到 24~120 bpp
- 数量和质量都是目前的SOTA
2. 相关工作
-
传统图像隐写：主要有三种，负载率低
基于空域：LSB，PVD，直方图平移 histogram shifting, multiple bit-planes , palettes（调色板）
基于变换域：JSteg
自适应隐写：STC编码 -
基于深度学习的隐写：主要有四种
合成：GAN生成载体图像
生成修改概率图：生成满足最小失真嵌入的代价函数
对抗嵌入：最小失真下的对抗主题
3-player 游戏：HiDDeN and SteganoGAN，使用编码-解码网络
Deep Steganography使用全卷积网络，包括三个部分：准备，隐藏，恢复网络。
本文在隐藏和恢复过程中使用INN。
应用
LFM，StegaStamp，
Invertible Neural Networks (INN)
在相同网络中，前向和后向传播共享参数
3. 方法
3.1 概述
x
h
o
x_{ho}
xho：载体图像
x
h
i
x_{hi}
xhi：要隐藏的图像
y
c
o
y_{co}
yco：隐写后图像
x
^
h
o
\hat{x}_{ho}
x^ho ：隐写后恢复的载体图像
第一个公式使用前向传播，第二个使用后向传播
3.2 可逆隐写网络 (ISN)
长度为
l
l
l 的可逆块，输入
b
l
b^{l}
bl沿着通道轴划分为
b
1
l
b_{1}^{l}
b1l和
b
2
l
b_{2}^{l}
b2l
对于前向传播：
b
1
l
+
1
b_{1}^{l+1}
b1l+1和
b
2
l
+
1
b_{2}^{l+1}
b2l+1 由上图公式得到，其中
ϕ
(
⋅
)
\phi(·)
ϕ(⋅) 和
η
(
⋅
)
η(·)
η(⋅) 为任意操作，
对于后向传播：给定
b
1
l
+
1
b_{1}^{l+1}
b1l+1和
b
2
l
+
1
b_{2}^{l+1}
b2l+1，可计算出
b
1
l
b_{1}^{l}
b1l和
b
2
l
b_{2}^{l}
b2l，
论文结构：
扫一扫
19万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
