【论文阅读】（CVPR 2022）Robust Invertible Image Steganography (RIIS)

作者来自北大深研院
网上已有介绍：https://news.pkusz.edu.cn/info/1002/6538.htm

为了提升隐写容量和重构质量，论文提出了分布映射模块，能够给重建过程提供有效引导，从而保留隐藏图的更多高频信息。同时，在端到端训练中引入了对各类失真的模拟，在重建网络中设计了图像增强模块以提升鲁棒性。

提出基于流的鲁棒可逆图像隐写框架RIIS，引入条件归一化流对cover冗余高频分量的分布进行建模，还有一个载体增强模块CEM用于去噪和消除jpeg压缩的影响。
提出ISN（Hinet的前身）的缺陷，对高斯噪声，泊松噪声和jpeg压缩的鲁棒性差。
框架如下图

一、方法概述：

基于流的可逆块将输入的$[X_s,X_h]$映射到高频$h_f$和含密图像y中。CANP基于从y中提取的特征将$h_f$映射到（服从）类似高斯噪声分布的z变量。只有y通过互联网传输，然后接收方将得到失真的$y^{\prime }$(为了输入方便，这里用y’代替图中y~)图像，通过特征增强模块以消除噪声和jpeg压缩的影响，随后从$y^{\prime }$中提取的特征和重新采样后经过CANP模块的$z^{\prime }$和$h_f^{\prime }$，与增强的容器$y^{\prime }$一同输入backward块中，得到了恢复的秘密和host图像$[X_s^{\prime },X_h^{\prime }]$

这里的$h_f$是为了还原secret图像，$h_f$和y存在高度依赖关系

可以隐藏多张secret图到一张cover

对网络的3个部分做了消融实验，分别是CANP（内容感知噪声映射层），CEM（载体增强模块）和DGM（失真引导模块）

1. CANP（内容感知噪声映射层）

将$h_f$与$y$的条件特征（图中绿色Feature Extractor）投影到z。在正向转换过程中，CANP可以将输入的图像对$[x_s，x_h]$转换为含密图像y和近高斯随机变量z。给定含密图像$y$和从N（0，I）得到的随机样本$z^{\prime }$，双射RIIS可以在反向传递中生成$[X_s^{\prime },X_h^{\prime }]$。

图中绿色Feature Extractor，是一个残差块，用于从y中提取特征，来输出$h_f$，作者认为$h_f$高度依赖y。

上图为CANP结构，将从y中提取的特征和部分$h_f$映射到近高斯随机变量z

2. CEM（载体增强模块）用于消除收到的载密图像噪声以及jpeg压缩失真影响。

3. DGM（失真引导模块），根据输入的不同高斯噪声和jpeg压缩操作调整网络参数

二、实验设置

训练数据集：div2k
评估指标：PSNR 最高44.19
对比对象：ISN
损失函数：

$L_{rev}$：原始和恢复的host和secret图像差距（恢复正确性）
$L_{CEM}$：尽可能恢复受损的container $y$
$L_{dustr}$：使z的分布尽可能接近高斯分布，CE为交叉损失熵
$L_{con}$：生成的container尽可能接近host（空域），使用FFT是为了保证在频域上也接近（衡量不可见性）
最后的损失函数为：

这篇文章的网络结构稍显复杂