《Universal Deep Hiding for Steganography, Watermarking, and Light Field Messaging》文章解读

最新推荐文章于 2024-10-08 16:04:22 发布

君宝不饱

最新推荐文章于 2024-10-08 16:04:22 发布

阅读量1.5k

点赞数 25

分类专栏：多媒体安全文章标签：学习笔记 python 深度学习媒体网络安全

本文链接：https://blog.csdn.net/weixin_45795450/article/details/137154637

版权

多媒体安全专栏收录该内容

1 篇文章 1 订阅

订阅专栏

文章链接：papers.nips.cc/paper/2020/file/73d02e4344f71a0b0d51a925246990e7-Paper.pdf

代码地址：ChaoningZhang/Universal-Deep-Hiding: Official code for UDH: Universal Deep Hiding for Steganography, Watermarking, and Light Field Messaging (Accepted at NeurIPS2020). (github.com)

一、引言

引言部分为读者提供了研究背景、深度隐写术的现状、存在的问题以及提出的UDH元架构的目标和意义。

隐写术的定义和挑战：
- 隐写术被定义为一种秘密通信技术，其目标是在不泄露传输信息给第三方的情况下进行信息传递。
- 图像隐写术的挑战在于如何在保持载体图像自然外观的同时隐藏更多的信息。
深度学习在隐写术中的应用：
- 深度神经网络（DNNs）已被证明在深度隐写术中非常有效，能够将一个完整的图像隐藏在另一个图像中。
- 深度隐写术与传统技术相比，具有每像素24比特的信息隐藏容量，远超传统技术，如HUGO方法隐藏小于0.5比特每像素。
深度隐写术与传统隐写术的区别：
- 传统的隐写术任务要求在保持秘密信息完全解码的同时，避免被隐写分析检测到。
- 深度隐写术放宽了完美解码的约束，专注于在载体图像和解码后的隐藏图像之间的视觉质量进行权衡。
深度隐写术的动机和目标：
- 深度隐写术的成功激发了在深度水印和深度摄影隐写术（也称为光场信息传递，LFM）中隐藏二进制信息的探索。
- 尽管深度隐写术具有大容量的信息隐藏能力，但其高视觉质量的原因尚未被充分探索。
- 本文的工作目标是解释深度隐写术如何工作，并研究其在水印和LFM等应用中的潜力。
UDH元架构的提出：
- 为了便于分析深度隐写术的成功并探索其在水印和LFM中的应用，提出了通用深度隐藏（UDH）这一新的元架构。
- UDH旨在将隐藏的图像编码与载体图像分离，使得编码的信息可以独立分析，从而有助于理解深度隐写术的工作原理。

二、相关工作

传统隐写术和水印的研究：
- 论文回顾了在隐写术和数字水印领域的广泛研究，这些研究涵盖了多种技术和方法。
- 引用了一系列文献，为读者提供了关于这些领域的全面了解。
深度学习在隐写术和水印中的应用：
- 论文指出，深度神经网络（DNNs）在隐写术和数字水印中的应用已经取得了显著的成功。
- 讨论了DNNs如何被用于替代传统隐写术和水印技术中的单个阶段，以及最近的趋势是端到端地训练网络来完成整个工作流程。
隐藏二进制信息的探索：
- 论文提到了DNNs在隐藏二进制信息方面的早期探索，以及如何通过对抗性训练来提高隐蔽性。
- 介绍了一些工作，这些工作通过将超链接编码为二进制位来展示DNNs可以进行鲁棒的编码和解码。
隐藏图像信息的技术：
- 论文讨论了使用DNNs隐藏完整图像的技术，这项技术具有比隐藏二进制信息更高的信息容量。
- 描述了一些方法，这些方法通过利用时间冗余来隐藏秘密帧，而不是原始图像帧。
UDH元架构的提出背景：
- 论文强调了UDH元架构的提出是基于对现有深度隐藏技术的理解和扩展。
- 通过提出UDH，作者旨在解释深度隐写术的成功，并探索其在更广泛的应用中的潜力，如数字水印和光场信息传递。

三、通用深度隐藏元架构（Universal Deep Hiding meta-architecture，简称UDH）

UDH的基本概念：
- UDH是一种新的元架构，它旨在将秘密图像（S）的编码过程与载体图像（C）分离，从而使编码的信息可以独立于载体图像进行分析。
- 这种设计允许研究者更深入地理解深度隐写术的工作原理，并探索其在数字水印和光场信息传递（LFM）等应用中的潜力。
UDH的工作原理：
- 在UDH中，秘密图像S被送入隐藏（H）网络，产生编码后的信息Se，然后将Se加到一个随机的载体图像C上，生成新的图像C'（即C' = C + Se）。
- 为了从C'中恢复出秘密图像S'，使用一个揭示（R）网络来解码Se。
- 目标是最小化C'与原始载体图像C之间的差异（||C' − C||），同时最小化恢复的S'与原始秘密图像S之间的差异（||S' − S||）。
UDH的训练和性能评估：
- 论文描述了使用ImageNet数据集和ADAM优化器共同训练H和R网络的过程。
- 评估了UDH在ImageNet验证数据集上的性能，使用了平均像素差异（APD）、峰值信噪比（PSNR）、结构相似性（SSIM）和感知相似性（LPIPS）等指标。
- 提供了UDH与现有依赖于载体图像的深度隐藏（DDH）技术的性能比较。
UDH的优势：
- 尽管UDH以一种与载体图像无关的方式隐藏图像，但其性能与DDH相当。
- UDH的训练过程更为稳定，且不需要额外的准备（P）网络，这与DDH不同。
UDH的可视化和分析：
- 论文通过可视化Se和对应的S，展示了秘密图像是如何在UDH中被编码的。
- 通过观察Se的高频（HF）特性和重复模式，提供了直观的解释，说明了为什么即使在载体图像的干扰下，R网络仍能成功恢复S。
UDH与DDH的比较：
- 论文通过交叉测试DDH和UDH的H和R网络，进一步证实了UDH的有效性，并展示了DDH中秘密图像的编码方式与UDH中的相似。