基于深度学习的图像隐写方法研究

• 作者: 付章杰 孙星明 王帆 王彦
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 信息隐藏 深度学习 隐写术 生成对抗网络 隐写分析
• 年，卷（期）: 2020,（9）
• 页码范围: 1656-1672
• 页数: 17页
• 分类号: TP18
• 字数: 15742字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2020.01656

摘要

信息隐藏是保证网络通信数据安全的重要手段之一,不仅能够保证秘密信息本身的安全,还能保证秘密信息的安全传输.隐写术作为信息隐藏领域的主要技术,受到了国内外学者的广泛关注和深入研究.现有的空域自适应隐写方法对于待改变像素位置选择大多依赖人为经验设计,需要耗费大量时间与精力.近年来,随着深度学习的快速发展,深度学习网络对于复杂数据的强表征能力使其被应用到隐写分析领域中,它在快速提取高维特征的同时还能实现分类器的同步优化.隐写分析模型性能的快速提高,导致隐写术的安全性降低,从而对隐写术的发展带来了极大挑战.2014年,生成对抗网络(Generative Adversarial Networks,GAN)的提出,为深度学习与信息隐藏的结合提供了契机.直至2016年,基于深度学习的隐写模型——SGAN被首次提出,自此以后,利用各类深度学习网络进行信息隐藏的隐写模型大量涌现,使得隐写算法在隐写容量、抗检测性、以及含密图像质量等多方面取得较大提升.本文首先论述了四类基于深度学习的隐写模型:1)基于生成载体式深度学习隐写方法;2)基于嵌入载体式深度学习隐写方法;3)基于合成载体式深度学习隐写方法;4)基于映射关系式深度学习隐写方法;其次,分别对各类隐写模型进行分析和讨论,并总结模型之间的异同点;然后,探讨了各类隐写模型存在的问题;接着,针对基于深度学习的大容量隐写模型存在的安全问题,提出了基于对抗样本的改进方法;最后,总结了目前基于深度学习网络的隐写模型存在的优缺点并对其未来发展方向进行展望.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王帆	南京信息工程大学计算机与软件学院	4	9	2.0	3.0
2	孙星明	南京信息工程大学计算机与软件学院	8	56	3.0	7.0
3	付章杰	南京信息工程大学计算机与软件学院	6	13	3.0	3.0
7	王彦	南京信息工程大学计算机与软件学院	1	0	0.0	0.0