深度学习——day2 看论文：基于深度学习的图像隐写方法研究

直接上思维导图

chap1信息隐藏

隐写术

相互促进、相互矛盾

隐写分析

（预测图像中的秘密信息）

特征提取△

分类器训练

chap2 论述：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

（SGAN、SSGAN等）

利用噪声生成图像载体，经过隐写算法将秘密信息嵌入成含密图像，后进行对抗训练

2）基于嵌入载体式深度学习隐写方法

（ASDL-GAN、UT-SCA-GAN、Stegne等）

在自然载体图像上利用深度学习网络完成或辅助完成秘密信息的嵌入和提取（目前的主流）

嵌入式隐写方案

① 基于最小嵌入失真代价的隐写模型

仅提升了安全性

② 基于编码-解码网络的隐写模型

提升隐写容量，同时提升含密图像质量；

但安全性低、提取信息有损耗

③ 基于对抗样本的隐写模型

有效对抗隐写分析

3）基于合成载体式深度学习隐写方法

（Liu’s model、SGSRGAN）

在载体图像基础上利用 生成对抗网络 GAN 进行图像合成的同时完成信息隐藏

实现途径

① 对原始载体图像进行改动，在新生成的图像上隐写

② 对受损的图像进行修复时嵌入秘密信息

4）基于映射关系式深度学习隐写方法

（Hu’s model、Zhang’s model等）

特点

无载体，对载体图像不做任何改动

实现途径

载体图像与秘密信息之间构建映射关系完成秘密信息的隐藏和提取

chap3 实验对比各类隐写方法的性能表现

数据集

CelebA 数据集(开放数据集，适用于人脸相关的训练)

CeleA是香港中文大学的开放数据，包含10177个名人身份的202599张图片，并且都做好了特征标记，这对人脸相关的训练是非常好用的数据集

嵌入算法

±1隐写算法

实验内容

① GNCNN 隐写分析模型检测下，生成载体式深度学习隐写模型的性能表现（0.4 bpp 嵌入容量）

bpp是图像的像素深度，像素深度是指存储每个像素所用的位数，它也是用来度量图像的分辨率。像素深度决定彩色图像的每个像素可能有的颜色数，或者确定灰度图像的每个像素可能有的灰度级数。

SSGAN 对比 SGAN 使得隐写分析模型

（GNCNN）的检测错误率增加了 7%

② 深度学习隐写模型与传统自适应隐写算法的性能比较

（0.4 bpp 嵌入容量）

UT-SCA-GAN 算法 相较 S-UNIWARD算法 在SRM隐写分析模型上提升了2%左右

③ 基于编码-解码网络的深度学习隐写模型与自适应隐写算法的比较

针对含密图像进行方差损失函数的构建不仅能够提升含密图像的质量，还能增强模型的抗检测能力

④ 当 Ye’Net 隐写分析模型固定为 20%的检测错误率，各隐写算法的隐写容量

当 Ye’Net 隐写分析模型固定为 20%的检测错误率，各隐写算法的隐写容量

chap4 总结存在的问题

① 生成的载体图像不够真实自然

基于生成载体式深度学习隐写模型

② 利用 FGSM 攻击算法生成对抗含密图像耗时久，泛化性差

生成的对抗含密图像仅对目标隐写分析模型的抗检测能力比较强，而对其他隐写分析模型的抗检测能力就会削弱很多

③ 隐写模型安全性差，难以抵抗隐写分析模型的检测

基于编码-解码网络大容量隐写模型提出

④ 提取网络无法实现秘密信息的无损恢复

基于映射关系式的隐写模型

基于编码-解码网络的隐写模型

⑥ 秘密信息的提取需要依靠额外信息以及含密图像语义性不合理

基于合成载体式深度学习隐写模型

chap5 安全问题及改进方法

问题

基于编码-解码网络的大容量隐写模型

安全性较低

解决方法

加入对抗样本来提升含密图像的安全性

模型不采用端对端的训练模式

该隐写模型由三部分组成：

①隐藏网络（编码网络）；
②对抗噪声生成网络（生成网络、判别网络、目标网络）；
③提取网络（解码网络）

结果分析

chap6 未来展望

① 利用对抗样本构建一个高效的端对端深度学习隐写模型，有效抵抗隐写分析网络模型的检测

② 将强化学习应用到深度学习模型中

③ 基于编码-解码网络的隐写模型

构建一个更精确的提取出秘密图像的提取网络

通过设计一个新的多元损失函数，更有效的训练提取网络

2014 生成对抗网络GAN

（契机）

2016 基于深度学习的隐写模型——SGAN

各有各的优缺点和对应的隐写模型