小张同学的博客

背景：论文复现的时候，需要获取到读取图像的文件名，并按照文件名保存图片。

RoSteALS使用一个轻量级的秘密编码器将秘密信息映射到图像的潜空间中，并通过对潜空间进行微小的偏移来嵌入秘密信息。该方法使用预训练的自编码器作为基础模型，不需要学习图像分布，因此训练过程简单且效果良好。

RoSteALS代码复现

图像Arnold和混沌置乱的matlab代码

开源隐写分析工具：ManTra-Net，StegExpose

信息隐藏基础

无嵌入隐写（steganography without embedding, SWE）隐藏秘密信息的过程不会直接修改载体图像，因此具有免疫传统隐写分析器攻击的独特优势。现有基于生成的SWE的三个问题：（1）生成的载密图像不够真实，影响对不可察觉性（imperceptibility）的要求；（2）生成器的生成多样性受限，可能引发潜在的安全问题；（3）秘密信息的提取准确率较低。

扩散模型的两个特性，即无需训练就能在两幅图像之间实现转换的能力，以及对噪声数据的鲁棒性，可以用来提高图像隐写任务的安全性和自然鲁棒性。基于条件扩散模型Stable diffusion利用了开源社区的最新工具，如LoRAs和ControlNets提高容器图像的可控性和多样性。

【代码】【论文复现】FNNS：Fixed Neural Network Steganography: Train the images, not the network-图像隐写。

图像隐写2021至今相关论文（含代码）

SRM隐写分析模型复现

【模型复现】HiNet: Deep Image Hiding by Invertible Network - 基于可逆神经网络的图像隐藏技术 (ICCV 2021)

隐写分析xunet模型复现

基于流的可逆块将输入的XsXh[X_s,X_h]Xs​Xh​映射到高频h_f和载体图像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′y'y′(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′y'y′中提取的特征和重新采样后经过CANP模块的z′z'z′和hf′h_f'hf′​，与增强的容器y′y'y′。

【代码】ubuntu20.04安装hstego。

《基于深度学习的图像隐写方法研究 》综述整理

encoder-decoder网络容量很大，但解码错误率很高（大约20%）。作者基于神经网络对输入的微小扰动的高度敏感性，提出一种新的隐写方法，能够在3bpp时降低解码错误率到0%。代码在https://github.com/varshakishore/FNNS....

信息隐藏性能评价指标不可感知性的客观评价(PSNR, Peak Signal to Noise Ratio)一般用峰值信噪比值来评判载密图像的视觉质量，它是基于像素的失真量度量方法中的一种，得到的结果不依赖于主观评估，允许在不同的方法之间进行公平的比较，所以是一种客观的评估标准。PSNR的公式如下 ：其中，M和N分别是原始图像行和列的个数，Im,nI_{m,n}Im,n​和Im,n′I'_{m,n}Im,n′​表分别表示原始图像和载密图像在(m, n)位置的像素值。一般来说，PSNR>3.

参考链接：图像纹理——灰度共生矩阵灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）原理灰度共生矩阵可反映灰度 值 和 空间 分布情况。共生矩阵 PPP 的描述方法：规定一个方向（如水平，垂直，对角线）和距离（一个像素、两个像素），矩阵中 PijP_{ij}Pij​ 的值由灰度为 iii 和 jjj 的像素对在该方向和距离上出现的次数除以N得到（归一化），N为对P有贡献的像素对总数。共生矩阵的大小为 L∗LL*LL∗L ，LLL 是图像灰度级数目。例子在图

隐写学原理与技术整理

图像隐写安全性相关

图像隐写数据集整理

背景：已有的隐写编码局限性：矩阵编码和GLSBM在分组上进行优化，但不能进行全局优化。湿纸编码提取方程难构造。校验子格编码STC基本解决以上问题，提供了求解加性模型PLS（限负载求最小失真）问题方法。STC基本思想STC的校验矩阵是由子矩阵排列成的带状阵，避免构造高维线性提取方程，基于局部性质进行优化，提前排除不可能达到最优的构造路线，最后选择全部满足局部提取方程，并且失真（嵌入次数或失真函数定义与隐写安全相关的指标）总和最低的构造路线。STC类似于卷积码viterbi解码。viterb

参考链接：图像特征提取（纹理特征）常用的图像特征——颜色特征、纹理特征、形状特征、空间关系特征纹理特征简介纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性纹理具有三大标志：某种局部序列性不断重复非随机排列纹理区域内大致为均匀的统一体不同于灰度、颜色等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。纹理特征体现全局特征的性质的同时，它也描述了图像.

SteganoGAN 项目复现实验室配置服务器 RTX 3090CUDA 11.2开发环境vscode + python

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: 10816-10825.1. 主要贡献使用可逆隐写网络（ISN）实现

论文：A Siamese CNN for Image Steganalysis源码：https://github.com/SiaStg/SiaStegNetSiamese网络：参考链接：https://blog.youkuaiyun.com/ybdesire/article/details/84072339背景人脸识别中的one-shot问题：公司员工进行人脸识别，每个员工只给一张照片（训练集样本少），并且员工会离职、入职（每次变动都要重新训练模型）。有这样的问题存在，就没办法直接训练模型来解决这样的分类问题

参考链接SteganoGAN 论文介绍GAN隐写简单介绍SteganoGAN 项目运行过程SteganoGAN 官方文档