【论文阅读】stegoGAN 引用文献整理

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 $l$ 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 $\varphi (\cdot )$ 和 $\eta (\cdot )$ 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：

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！