基于扩散模型的无载体图像隐写术（论文复现）

已于 2024-08-06 10:17:08 修改
阅读量488 收藏 4
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 传知代码 文章标签： 图像处理 语言模型
于 2024-08-06 10:16:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_62765017/article/details/140920656

基于扩散模型的无载体图像隐写术（论文复现）

本文所涉及所有资源均在传知代码平台可获取

文章目录

概述

当前的图像隐写技术主要集中在基于载体图（cover image）的方法上，这些方法通常存在泄露隐藏图（secret image）的风险和对退化容器图（container image）不鲁棒的风险。受到最近扩散模型（diffusion models）发展的启发，作者发现了扩散模型的两个特性，即无需训练即可实现两张图像之间的转换以及对噪声数据有天然的鲁棒性。这些特性可以用来增强图像隐写任务中的安全性和鲁棒性。这是首次将扩散模型引入图像隐写领域的尝试。与基于载体图的图像隐写方法相比，作者提出的CRoSS框架在可控性、鲁棒性和安全性方面具有明显优势。

一、论文思路

本文将无载体图图像隐写任务表示为三个图像和两个过程组成：这三个图像指的是秘密图像xsec、容器图像xcont和揭示图像xrev，而这两个过程是隐藏过程和揭示过程。秘密图像xsec是我们想要隐藏的图像，并通过隐藏过程隐藏在容器图像xcont中。通过互联网传输后，容器图像xcont可能会退化，得到容器图像的退化图像x’

了解本专栏 订阅专栏 解锁全文 超级会员免费看
从零开始学习AIGC水印技术：原理与代码实现
AI天才研究院
04-23 703
AIGC技术（如Stable Diffusion、ChatGPT、Midjourney）已能生成高度逼真的文本、图像、视频内容，但随之而来的内容伪造、版权纠纷、恶意生成（如深度伪造）等问题，对数字内容生态造成严重威胁。AIGC水印技术的核心目标是：在不影响生成内容质量的前提下，嵌入可验证的版权信息（如创作者ID、生成模型标识），为内容溯源、侵权取证提供技术支撑。本文覆盖图像、文本、音频三类主流AIGC内容的水印技术，重点讲解图像水印的原理与代码实现（因图像是当前AIGC最活跃的应用场景）。
[网络安全自学篇] 七十七.恶意代码与APT攻击中的武器
杨秀璋的专栏
05-14 1万+
这是作者网络安全自学教程系列，主要是关于安全工具和实践操作的在线笔记，特分享出来与博友们学习，希望您喜欢，一起进步。前文分享了逆向分析之OllyDbg动态调试工具，包括INT3断点、反调试、硬件断点和内存断点。这篇文章将带大家学习安天科技集团首席架构师肖新光老师（Seak）的分享，介绍恶意代码与APT攻击中的武器，包括A2PT的攻击武器、普通APT组织的自研恶意代码、商用恶意代码、无恶意代码作业、开源和免费工具等。作者很少会在标题写“强推”的字样，但这篇文章真的值得学习，也希望对您有所帮助。
Coverless Image Steganography Based on Generative Adversarial Network
何少的博客
07-08 3万+
基于生成对抗网络的无载体图像隐写技术 摘要 传统图像隐写技术：修改/嵌入到载体图像来传输秘密信息—>隐写工具很容易检测到载体图像的失真—>秘密信息的泄露 无载体图像隐写技术：不修改载体图像就可以隐藏秘密信息。但存在容量低，质量差等问题。 本文提出了一种基于生成对抗网络的无载体图像隐写技术，通过将秘密信息编码到载体图像中，用对抗来优化隐写图像的质量，同时很好的避开隐写分析工具的检测。 介绍 传统的隐写技术容易被隐写分析工具检测出来，因此，2015年研究人员提出了无载体图像隐写术，它通过秘密信息
⌈ 传知代码 ⌋ 基于扩散模型的无载体图像隐写术
Dream_Y.ocean的博客
05-25 927
当前的图像隐写技术主要集中在基于载体图（cover image）的方法上，这些方法通常存在泄露隐藏图（secret image）的风险和对退化容器图（container image）不鲁棒的风险。受到最近扩散模型（diffusion models）发展的启发，作者发现了扩散模型的两个特性，即无需训练即可实现两张图像之间的转换以及对噪声数据有天然的鲁棒性。这些特性可以用来增强图像隐写任务中的安全性和鲁棒性。这是首次将扩散模型引入图像隐写领域的尝试。
【传知代码】基于扩散模型的无载体图像隐写术（论文复现）
ztK63LrD的博客
05-17 1725
目前，图像隐写技术主要是基于载体图（cover image）的方法，这些方法通常存在泄露隐藏图（secret image）的风险，以及对退化容器图（container image）不鲁棒的风险。受到最近扩散模型（diffusion models）进展的影响，作者揭示了扩散模型所具备的两大特点：一是能够在不进行训练的情况下完成两幅图像间的转换，二是对有噪声的数据具有天生的稳健性。这些建议的特点有助于提高图像隐写任务的安全与稳健性。这是第一次尝试将扩散模型融入到图像隐写的研究中。
基于扩散模型的无载体图像隐写技术
zgw555555的专栏
05-18 405
在需要提取秘密信息时，使用扩散模型的逆过程进行解码，从而恢复出原始的秘密信息。总的来说，基于扩散模型的无载体图像隐写技术提供了一种新的方法来隐藏和传输秘密信息，它结合了扩散模型的强大能力和无载体图像隐写技术的优势，为信息安全领域带来了新的可能性。在无载体图像隐写技术中，信息不再通过修改载体图像来隐藏，而是直接编码到图像中，这种方式可以避开隐写分析工具的检测，并降低秘密信息泄露的风险。基于扩散模型的无载体图像隐写技术是一种新颖的方法，它将扩散模型的概念与无载体图像隐写技术相结合，用于隐藏和传输秘密信息。
CRoSS：基于扩散模型的安全图像隐写技术
博客之路,前途漫漫
11-18 981
当前的图像隐写技术主要集中在基于载体图（cover image）的方法上，这些方法通常存在泄露隐藏图（secret image）的风险和对退化容器图（container image）不鲁棒的风险。受到最近扩散模型（diffusion models）发展的启发，作者发现了扩散模型的两个特性，即无需训练即可实现两张图像之间的转换以及对噪声数据有天然的鲁棒性。这些特性可以用来增强图像隐写任务中的安全性和鲁棒性。这是首次将扩散模型引入图像隐写领域的尝试。
信息隐藏|RoSteALS: Robust Steganography using Autoencoder Latent Space
qq_44654715的博客
01-04 2843
此外，以一定的比例（p=0.5）应用多个常见噪声（对比度，亮度，jpeg压缩）和随机的单个噪声。对于秘密恢复评估，使用比特精度（Bit acc.）和Bit acc.（ECC）（使用BCH的循环纠错码位精度）；给定一个自编码器，可以将学习到的偏移量加入到该自编码器的任何随机潜在代码（使用扩散模型的图像或者文本生成的）中，使得自编码器可以产生隐写图像。，本文使用固定的预训练自编码器并训练一个简单的非常小的编码网络来将秘密映射到独立于载体图像的自编码器潜在空间。，可以独立的应用于该自动编码器的任何潜在代码。
图像处理之《基于生成对抗网络和梯度下降逼近的鲁棒无覆盖隐写术》论文精读
qq_44111805的博客
12-09 1808
针对一些常用神经网络在秘密数据提取中存在的不可逆性问题，提出了一种基于生成对抗网络生成器和梯度下降逼近的图像隐写算法框架。在数据嵌入过程中，秘密数据首先通过特定的映射规则映射到隐写噪声向量，然后输入GAN的生成器生成隐写图像。数据提取是通过使用梯度下降生成器迭代更新噪声向量来完成的。当误差下降到允许误差范围内时，生成器的输出图像接近隐写图像，更新后的噪声向量也接近隐写噪声向量。最后，从更新后的噪声向量中提取秘密数据。
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
人工智能顶级会议与期刊总结
11-24 1万+
人工智能顶级会议与期刊总结
【Advances in Neural Information Processing Systems 34 pre-proceedings 】 NIPS2021会议
南城果宝的满腹经纶
01-14 4323
【Advances in Neural Information Processing Systems 34 pre-proceedings 】 NIPS2021会议
30+个必知的《人工智能》会议清单
abcdefg90876的博客
01-15 4793
深度强化学习实验室报道来源：qianli8848编辑：DeepRL很多人都想问 “热门研究方向”、“最新方法”有哪些呢？。有同学建议国内某教授的教材、或者CNKI、或者某些SCI期刊。每...
论文集锦
一米阳光
11-21 778
#NIPS#2016论文集 Advances In Neural Information Processing Systems 29 (NIPS 2016) pre-proceedings http://t.cn/RfIVmO4
【博士每天一篇文献-算法】持续学习之GEM算法：Gradient Episodic Memory for Continual Learning
BetterBench的博客
10-15 1583
本文提出的算法是Gradient Episodic Memory (GEM)，它通过维护一个存储先前任务样本的情节记忆，并利用梯度信息来避免在持续学习过程中对先前任务性能的损害，同时允许对先前任务有益的知识传递。
NIPS（Neur IPS）2021论文列表及地址
Chauncey_Wang的博客
11-26 1万+
Advances in Neural Information Processing Systems 34 pre-proceedings (NeurIPS 2021) Edited by:M. Ranzato and A. Beygelzimer and P.S. Liang and J.W. Vaughan and Y. Dauphin
An Attention Free Transformer论文参考文献
hello！
01-28 1323
中文翻译：[13] 科罗曼斯基, K., 利霍舍尔托夫, V., 多汉, D., 宋, X., 盖恩, A., 萨洛斯, T., 霍金斯, P., 戴维斯, J., 莫希乌丁, A., 凯撒, L., 贝兰杰, D., 科尔韦尔, L., & 韦勒, A. (2020). 用表演者重新思考注意力。中文翻译：[1] 瓦斯瓦尼, A., 沙泽尔, N., 帕尔马, N., 乌斯基奥雷特, J., 琼斯, L., 戈麦斯, A. N., 凯撒, Ł., & 波洛苏金, I. (2017). 注意力就是一切。
无载体隐写研究综述
最新发布
qq_44111805的博客
04-14 317
隐写术是一种在载体中表示秘密信息的技术，目的是在不引起他人怀疑的情况下传输秘密信息。大多数传统的隐写算法通过修改载体的统计特征来隐藏秘密信息，这会在载体中留下痕迹。尽管这些修改十分微小，肉眼难以察觉，但可以通过隐写分析算法检测出来。与此不同，无载体隐写算法通过构建秘密信息与载体之间的关系来完成信息隐藏过程。由于不对载体进行修改，所有隐写分析算法都失效了。本文对无载体隐写算法进行了综述，涵盖了无载体图像和视频隐写算法的主要发展过程并总结了现有方法的主要贡献，此外，还充分讨论了图像和视频算法当前普遍存在的问题。
计算机会议排名等级
热门推荐
优快云
10-27 36万+
CORE Computer Science Conference Rankings Acronym Standard Name Rank AAAI National Conference of the American Association for Artificial Intelligence A+ AAMAS International
基于身份的灰度图像隐写术与安全分析
文章探讨了一种空间域内基于身份的隐写术，利用模糊身份基础加密（Fuzzy Identity-Based Encryption, FIBE）在灰度图像中创建多个秘密通信通道，实现具有不同权限的接收者只能解密特定秘密消息的目标。实验表明，该...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

wei_shuo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值