CN108648135A - 隐藏模型训练及使用方法、装置和计算机可读存储介质 - Google Patents

隐藏模型训练及使用方法、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN108648135A
CN108648135A CN201810555366.3A CN201810555366A CN108648135A CN 108648135 A CN108648135 A CN 108648135A CN 201810555366 A CN201810555366 A CN 201810555366A CN 108648135 A CN108648135 A CN 108648135A
Authority
CN
China
Prior art keywords
model
hiding
arbiter
decoder
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810555366.3A
Other languages
English (en)
Other versions
CN108648135B (zh
Inventor
谭舜泉
李振军
莫显博
欧培
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201810555366.3A priority Critical patent/CN108648135B/zh
Publication of CN108648135A publication Critical patent/CN108648135A/zh
Application granted granted Critical
Publication of CN108648135B publication Critical patent/CN108648135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明公开了一种隐藏模型训练及使用方法、装置和计算机可读存储介质，由于该隐藏模型训练方法是对生成器模型、解码器模型以及判别器模型进行训练的，即生成器进行的自我修正所利用的数据并不仅仅限于数据样本，还包括解码器和判别器反向传输的数据，因此，基于该训练方法的隐写技术将具有较佳的隐藏效果；同时，不同于传统的、将待隐藏信息嵌入真实图片的方法，本发明是直接利用待隐藏的信息生成图像，现有的信息检测器将不易于识别出具有待隐藏信息的图像并进一步提取图像中的信息，综上，本发明所提供的方法具有更好的隐藏效果。

Description

隐藏模型训练及使用方法、装置和计算机可读存储介质
技术领域
本发明涉及通信技术领域，更具体地说，涉及一种隐藏模型训练及使用方法、装置和计算机可读存储介质。
背景技术
在信息隐藏领域中，传统的隐写方法通过将待隐藏的信息嵌入在真实图片中实现信息的隐写，但是信息检测器将很容易识别出隐藏了信息的图片并从中提取出隐藏的信息，即现有的隐写技术由于其易被检测及易被提取而不便于使信息得到隐藏，其具有较差的隐藏效果，因此提供一种方法实现提高信息的隐藏效果是亟待解决的。
发明内容
本发明的主要目的在于提供一种隐藏模型训练及使用方法、装置和计算机可读存储介质，旨在解决现有的隐写技术的隐藏效果差的技术问题。
为实现上述目的，本发明提供一种隐藏模型训练及使用方法、装置和计算机可读存储介质，该隐藏模型训练方法用于训练生成器模型、解码器模型以及判别器模型，得到生成器、解码器及判别器，具体训练步骤包括：
步骤一、将训练数据输入生成器模型Ai进行训练，由生成器模型Ai基于训练数据输出隐藏图像，并得到训练后的生成器模型Ai+1，训练数据为根据真实图片得到的均匀分布的隐藏信息序列；i的初始值为1；
步骤二、将隐藏图像输入解码器模型Bi及判别器模型Ci，由解码器模型Bi基于隐藏图像输出解码序列并得到解码器模型Bi+1，及由判别器模型Ci输出隐藏图像的真实性判断结果Di并得到判别器模型Ci+1；真实性判断结果为：真或假；
步骤三、基于解码序列与训练数据确定误差度量Ei；
步骤四、当误差度量Ei大于预设阈值，或/和真实性判断结果Di为假时，将误差度量Ei及真实性判断结果Di输入生成器模型Ai+1进行修正，以得到修正后的生成器模型Ai+1；令i＝i+1，返回执行步骤一；
步骤五、当误差度量Ei小于预设阈值且真实性判断结果Di为真时，完成隐藏模型训练，并将生成器模型Ai+1、解码器模型Bi+1以及判别器模型Ci+1分别作为已完成训练的生成器、解码器以及判别器。
可选的，在步骤一之前还包括：获取预设数量的真实图片，并为所述真实图片分配键值；
利用所述键值生成均匀分布的隐藏信息序列，并将所述隐藏信息序列作为所述训练数据；所述隐藏信息序列为二进制序列。
可选的，上述基于解码序列与训练数据确定误差度量Ei包括：
利用解码序列与训练数据的汉明距离作为误差度量Ei。
可选的，上述判别器模型输出隐藏图像的真实性判断结果Di包括；
判别器模型判断隐藏图像是否为真实图片，若是，则输出真实性判断结果Di为真；若否，则输出真实性判断结果Di为假。
进一步地，本发明还提供了隐藏模型使用方法，该隐藏模型是由上述的隐藏模型训练方法训练得到，其至少包括生成器，该使用方法包括：
将待隐藏信息输入生成器，由生成器基于待隐藏信息输出隐藏图像。
进一步的，本发明还提供了一种隐藏模型训练装置，该隐藏模型训练装置包括处理器、通用图形处理器、存储器及通信总线；
通信总线用于实现处理器、通用图形处理器以及存储器之间的连接通信；
所述通用图形处理器用于图像的处理；
处理器用于执行存储器中存储的一个或者多个程序，以实现上述隐藏模型训练方法的步骤。
进一步地，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可被一个或者多个处理器执行，以实现上述隐藏模型训练方法的步骤。
有益效果
本发明提供一种隐藏模型训练方法、系统及计算机可读存储介质，针对现有隐写技术的隐藏效果差的问题，提供了一种隐藏模型训练方法，该方法用于训练生成器模型、解码器模型以及判别器模型，得到生成器、解码器及判别器，具体的，该训练方法包括：
步骤一、将训练数据输入生成器模型Ai进行训练，由生成器模型Ai基于训练数据输出隐藏图像，并得到训练后的生成器模型Ai+1，训练数据为根据真实图片得到的均匀分布的隐藏信息序列；i的初始值为1；
步骤二、将隐藏图像输入解码器模型Bi及判别器模型Ci，由解码器模型Bi基于隐藏图像输出解码序列并得到解码器模型Bi+1，及由判别器模型Ci输出隐藏图像的真实性判断结果Di并得到判别器模型Ci+1；真实性判断结果为：真或假；
步骤三、基于解码序列与训练数据确定误差度量Ei；
步骤四、当误差度量Ei大于预设阈值，或/和真实性判断结果Di为假时，将误差度量Ei及真实性判断结果Di输入生成器模型Ai+1进行修正，以得到修正后的生成器模型Ai+1；令i＝i+1，返回执行步骤一；
步骤五、当误差度量Ei小于预设阈值且真实性判断结果Di为真时，完成隐藏模型训练，并将生成器模型Ai+1、解码器模型Bi+1以及判别器模型Ci+1分别作为已完成训练的生成器、解码器以及判别器。
由于该隐藏模型训练方法是对生成器模型、解码器模型以及判别器模型进行训练的，即生成器进行的自我修正所利用的数据并不仅仅限于数据样本，还包括解码器和判别器反向传输的数据，因此，基于该训练方法的隐写技术将具有较佳的隐藏效果；同时，不同于传统的、将待隐藏信息嵌入真实图片的方法，本发明是直接利用待隐藏的信息生成图像，现有的信息检测器将不易于识别出具有待隐藏信息的图像并进一步提取图像中的信息，综上，本发明所提供的方法具有更好的隐藏效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例所提供的一种隐藏模型训练方法的基本流程示意图，
图2为本发明第三实施例所提供的隐藏模型训练装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一实施例
当代隐写术的发展趋势主要表现在几个分支：数字媒体信息隐藏，语言隐写，文件系统隐写术，以及网络隐写。数字媒体隐写术的历史可以追溯到20世纪70年代，其开发方法包括拼凑、显著位修改、纹理块编码等。这些技术被用于有损或无损的压缩图像中。语言隐写主要是通过对载体文字语言的段落、语序或者更换同义词的方式来完成的。在如今的隐写术发展中，大量的文字信息，甚至包括垃圾邮件都可能成为文字隐写术的载体。文件系统隐写术是指将隐写信息嵌入一个隔离的计算机环境，从而使其自动搜索磁盘的加密文件以达到获取信息的目的。网络隐写是最新的隐写方式，其依赖于某些网络服务或者网络应用程序的漏洞以掩饰其存在，终端用户是无法感知存在隐写功能与没有隐写功能的网络程序的微小区别的。例如通过公共网络传输的音频录制，从客户终端很难辨别出是否携带隐写功能。
目前主流的有些技术包括频率域隐写算法和空域隐写算法，虽然这些算法都具有很高的安全性，但它们大多还存在着或多或少的问题，诸如信息的嵌入未避开单一方向的边缘，信息可能分散于一些平滑区中等。这些方法存在的缺陷给信息隐写分析技术提供了破解隐写术的漏洞。
因此提供一种隐写术以调高信息的隐藏效果是亟待解决的，参见图1，图1为本发明第一实施例提供隐藏模型训练方法的基本流程图，该隐藏模型训练方法用于训练生成器模型、解码器模型以及判别器模型，得到生成器、解码器及判别器；该方法包括以下步骤：
S101、将训练数据输入生成器模型Ai进行训练，由生成器模型Ai基于训练数据输出隐藏图像，并得到训练后的生成器模型Ai+1，i的初始值为1。
需要理解的是，此处的训练数据为根据真实图片得到的均匀分布的隐藏信息序列。在本实施例其他的一些示例中，在步骤S101之前还包括：获取预设数量的真实图片，并为所述真实图片分配键值，之后利用伪随机数生成器基于键值生成均匀分布的隐藏信息序列，并将隐藏信息序列作为所述训练数据；隐藏信息序列为二进制序列。
在另外一些更具体的示例中，每个真实图片都将会分配一个键值，伪随机数生成器将以这个键值作为种子，生成服从均匀分布的(0/1)二值隐藏信息序列，即均匀分布的二进制隐藏信息序列。
S102、将隐藏图像输入解码器模型Bi及判别器模型Ci，由解码器模型Bi基于隐藏图像输出解码序列并得到解码器模型Bi+1，由判别器模型Ci输出隐藏图像的真实性判断结果Di并得到判别器模型Ci+1。
需要了解的是，本文中的真实性的判断结果为：真或假，此处的真与假可以采用例如“1”或“0”的形式表现，也可以通过计算得到隐藏图像的真实性评分，按照预设的分值判断隐藏图像的真与假。
在本实施例其他的一些示例中，步骤S102中“判别器模型输出隐藏图像的真实性判断结果Di”的步骤包括：判别器模型判断隐藏图像是否为真实图片，若是，则输出真实性判断结果Di为真；若否，则输出真实性判断结果Di为假。
S103、基于解码序列与训练数据确定误差度量Ei。
需要了解的是，在本实施例其他的一些示例中，S103步骤包括：利用解码序列与训练数据的汉明距离作为误差度量Ei。
S104、判断是否满足：误差度量Ei小于预设阈值且真实性判断结果Di为真，若是，则执行步骤S106；若否，则执行步骤S105。
S105、将误差度量Ei及真实性判断结果Di输入生成器模型Ai+1进行修正，得到修正后的生成器模型Ai+1，之后令i＝i+1，并返回执行步骤一。
S106、完成隐藏模型训练，并将生成器模型Ai+1、解码器模型Bi+1以及判别器模型Ci+1分别作为已完成训练的生成器、解码器以及判别器。
需要明白的是，训练得到的生成器和解码器是配套的，有对应于生成器的解码器才能解码隐藏图像得到对应的、具有低误差度量的解码序列，然后通过还原解码序列得到隐藏图像中隐藏的信息。
本实施例通过生成器生成隐藏图像，然后把生成图像输入到解码器和判别器中运行得到对应的结果：解码器对隐藏图像进行解码得到解码序列，并可进一步通过还原解码序列得到隐藏图像中隐藏的信息；判别器对隐藏图像进行真实性的评测并输出真实性判断结果。通过将解码器与判别器的运行结果返回生成器以实现对生成器的修正，该两个循环修正过程将会达到一个平衡点，此时修正后的生成器所生成的隐藏图像具有低误差性和高真实性，即具有较好的隐藏效果。同时，对比于其他的隐写术，此方法不是简单的将信息隐藏于真实图像中，而是直接利用信息生成真实图像，即基于无载体而实现隐写，从而能够躲避常规的隐写分析算法的检测与识别，具有较好的隐藏效果。
第二实施例
本实施例还提供了一种隐藏模型使用方法，该隐藏模型是由第一实施例所提供隐藏模型训练方法训练得到，该隐藏模型至少包括生成器，该隐藏模型的使用方法包括：
将待隐藏信息输入生成器，由生成器基于待隐藏信息输出隐藏图像。
在本实施例其他的一些示例中，此处的待隐藏信息为均匀分布的隐藏信息序列。
需要理解的是，通过该隐藏模型中的生成器可以把待隐藏信息转化为隐藏图像进行隐藏，从而实现躲避检测器的检测。该隐藏模型还包括解码器与判别器，两者也都是由第一实施例所提供隐藏模型训练方法训练得到的。需要了解的是，解码器与生成器是对应的，其可解码隐藏图像得到解码序列，可通过还原解码得到的解码序列得到隐藏图像中隐藏的信息；判别器可从真实图片中识别出隐藏图像。
本实施例还提供了一种隐藏模型训练装置，参见图2所示，其包括处理器21、通用图形处理器22、存储器23及通信总线24，其中：
通信总线24用于实现处理器21、通用图形处理器22以及存储器23之间的连接通信；
所述通用图形处理器22用于图像的处理；
处理器21用于执行存储器23中存储的程序，以实现训练生成器模型、解码器模型以及判别器模型，得到生成器、解码器及判别器，具体的包括以下步骤：
步骤一、将训练数据输入生成器模型Ai进行训练，由生成器模型Ai基于训练数据输出隐藏图像，并得到训练后的生成器模型Ai+1，训练数据为根据真实图片得到的均匀分布的隐藏信息序列；i的初始值为1；
步骤二、将隐藏图像输入解码器模型Bi及判别器模型Ci，由解码器模型Bi基于隐藏图像输出解码序列并得到解码器模型Bi+1，及由判别器模型Ci输出隐藏图像的真实性判断结果Di并得到判别器模型Ci+1；真实性判断结果为：真或假；
步骤三、基于解码序列与训练数据确定误差度量Ei；
步骤四、当误差度量Ei大于预设阈值，或/和真实性判断结果Di为假时，将误差度量Ei及真实性判断结果Di输入生成器模型Ai+1进行修正，以得到修正后的生成器模型Ai+1；令i＝i+1，返回执行步骤一；
步骤五、当误差度量Ei小于预设阈值且真实性判断结果Di为真时，完成隐藏模型训练，并将生成器模型Ai+1、解码器模型Bi+1以及判别器模型Ci+1分别作为已完成训练的生成器、解码器以及判别器。
需要理解的是，此处的通用图形处理器22处理的图像包括真实图片和由生成器输出的隐藏图像。
在本实施例另外的一些示例中，处理器21还用于执行存储器23中存储的程序，以实现：在本实施例上述步骤一之前获取预设数量的真实图片，并为所述真实图片分配键值；利用所述键值生成均匀分布的隐藏信息序列，并将所述隐藏信息序列作为所述训练数据；所述隐藏信息序列为二进制序列。
在本实施例另外的一些示例中，处理器还用于执行存储器中存储的一个或者多个程序，以实现：基于解码序列与训练数据确定误差度量Ei的步骤，具体包括：利用解码序列与训练数据的汉明距离作为误差度量Ei。
本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现第一实施例中隐藏模型训练方法的步骤。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述，同时，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种隐藏模型训练方法，其特征在于，所述隐藏模型训练方法用于训练生成器模型、解码器模型以及判别器模型，得到生成器、解码器及判别器；所述方法包括：
步骤一、将训练数据输入所述生成器模型Ai进行训练，由所述生成器模型Ai基于所述训练数据输出隐藏图像，并得到训练后的生成器模型Ai+1，所述训练数据为根据真实图片得到的均匀分布的隐藏信息序列；i的初始值为1；
步骤二、将所述隐藏图像输入所述解码器模型Bi及所述判别器模型Ci，由所述解码器模型Bi基于所述隐藏图像输出解码序列并得到解码器模型Bi+1，及由所述判别器模型Ci输出所述隐藏图像的真实性判断结果Di并得到判别器模型Ci+1；所述真实性判断结果为：真或假；
步骤三、基于所述解码序列与所述训练数据确定误差度量Ei；
步骤四、当所述误差度量Ei大于预设阈值，或/和所述真实性判断结果Di为假时，将所述误差度量Ei及真实性判断结果Di输入所述生成器模型Ai+1进行修正，以得到修正后的生成器模型Ai+1；令i＝i+1，返回执行步骤一；
步骤五、当所述误差度量Ei小于预设阈值且所述真实性判断结果Di为真时，完成隐藏模型训练，并将所述生成器模型Ai+1、所述解码器模型Bi+1以及所述判别器模型Ci+1分别作为已完成训练的生成器、解码器以及判别器。
2.如权利要求1所述的隐藏模型训练方法，其特征在于，在所述步骤一之前还包括：
获取预设数量的真实图片，并为所述真实图片分配键值；
利用所述键值生成均匀分布的隐藏信息序列，并将所述隐藏信息序列作为所述训练数据；所述隐藏信息序列为二进制序列。
3.如权利要求1所述的隐藏模型训练方法，其特征在于，所述基于所述解码序列与所述训练数据确定误差度量Ei包括：
利用所述解码序列与所述训练数据的汉明距离作为所述误差度量Ei。
4.如权利要求1-3任一项所述的隐藏模型训练方法，其特征在于，所述判别器模型输出所述隐藏图像的真实性判断结果Di包括：
所述判别器模型判断所述隐藏图像是否为所述真实图片，若是，则输出真实性判断结果Di为真；若否，则输出真实性判断结果Di为假。
5.一种隐藏模型使用方法，其特征在于，所述隐藏模型由权利要求1至权利要求4任意一项所述的隐藏模型训练方法训练得到，至少包括生成器，所述隐藏模型使用方法包括：
将待隐藏信息输入所述生成器，由所述生成器基于所述待隐藏信息输出隐藏图像。
6.如权利要求5所述的隐藏模型使用方法，其特征在于，所述待隐藏信息为均匀分布的隐藏信息序列。
7.一种隐藏模型训练装置，其特征在于，所述隐藏模型训练装置包括处理器、通用图形处理器、存储器及通信总线；
所述通信总线用于实现处理器、通用图形处理器以及存储器之间的连接通信；
所述通用图形处理器用于图像的处理；
所述处理器用于执行存储器中存储的一个或者多个程序，以实现训练生成器模型、解码器模型以及判别器模型，得到生成器、解码器及判别器，包括：
步骤一、将训练数据输入所述生成器模型Ai进行训练，由所述生成器模型Ai基于所述训练数据输出隐藏图像，并得到训练后的生成器模型Ai+1，所述训练数据为根据真实图片得到的均匀分布的隐藏信息序列；i的初始值为1；
步骤二、将所述隐藏图像输入所述解码器模型Bi及所述判别器模型Ci，由所述解码器模型Bi基于所述隐藏图像输出解码序列并得到解码器模型Bi+1，及由所述判别器模型Ci输出所述隐藏图像的真实性判断结果Di并得到判别器模型Ci+1；所述真实性判断结果为：真或假；
步骤三、基于所述解码序列与所述训练数据确定误差度量Ei；
步骤四、当所述误差度量Ei大于预设阈值，或/和所述真实性判断结果Di为假时，将所述误差度量Ei及真实性判断结果Di输入所述生成器模型Ai+1进行修正，以得到修正后的生成器模型Ai+1；令i＝i+1，返回执行步骤一；
步骤五、当所述误差度量Ei小于预设阈值且所述真实性判断结果Di为真时，完成隐藏模型训练，并将所述生成器模型Ai+1、所述解码器模型Bi+1以及所述判别器模型Ci+1分别作为已完成训练的生成器、解码器以及判别器。
8.如权利要求7所述的隐藏模型训练装置，其特征在于，所述处理器用于执行存储器中存储的一个或者多个程序，以实现：在所述步骤一之前：
获取预设数量的真实图片，并为所述真实图片分配键值；
利用所述键值生成均匀分布的隐藏信息序列，并将所述隐藏信息序列作为所述训练数据；所述隐藏信息序列为二进制序列。
9.如权利要求7或8所述的隐藏模型训练装置，其特征在于，所述处理器用于执行存储器中存储的一个或者多个程序，以实现所述基于所述解码序列与所述训练数据确定误差度量Ei的步骤，包括：
利用所述解码序列与所述训练数据的汉明距离作为所述误差度量Ei。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至4中任一项所述的隐藏模型训练方法的步骤。
CN201810555366.3A 2018-06-01 2018-06-01 隐藏模型训练及使用方法、装置和计算机可读存储介质 Active CN108648135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810555366.3A CN108648135B (zh) 2018-06-01 2018-06-01 隐藏模型训练及使用方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810555366.3A CN108648135B (zh) 2018-06-01 2018-06-01 隐藏模型训练及使用方法、装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN108648135A true CN108648135A (zh) 2018-10-12
CN108648135B CN108648135B (zh) 2022-05-27

Family

ID=63759194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810555366.3A Active CN108648135B (zh) 2018-06-01 2018-06-01 隐藏模型训练及使用方法、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN108648135B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667014A (zh) * 2020-06-11 2020-09-15 重庆紫光华山智安科技有限公司 训练方法、图像编辑方法、装置及电子设备
CN112487365A (zh) * 2019-09-11 2021-03-12 阿里巴巴集团控股有限公司 信息隐写方法及信息检测方法及装置
CN115442324A (zh) * 2021-06-04 2022-12-06 中国移动通信集团浙江有限公司 消息生成方法、装置、消息管理设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358626A (zh) * 2017-07-17 2017-11-17 清华大学深圳研究生院 一种利用条件生成对抗网络计算视差的方法
CN107563995A (zh) * 2017-08-14 2018-01-09 华南理工大学 一种多判别器误差反传的对抗网络方法
CN107563155A (zh) * 2017-08-08 2018-01-09 中国科学院信息工程研究所 一种基于生成对抗网络的安全隐写方法和装置
CN107993190A (zh) * 2017-11-14 2018-05-04 中国科学院自动化研究所 图像水印去除装置
CN108038823A (zh) * 2017-12-06 2018-05-15 厦门美图之家科技有限公司 图像型变网络模型的训练方法、图像型变方法及计算设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358626A (zh) * 2017-07-17 2017-11-17 清华大学深圳研究生院 一种利用条件生成对抗网络计算视差的方法
CN107563155A (zh) * 2017-08-08 2018-01-09 中国科学院信息工程研究所 一种基于生成对抗网络的安全隐写方法和装置
CN107563995A (zh) * 2017-08-14 2018-01-09 华南理工大学 一种多判别器误差反传的对抗网络方法
CN107993190A (zh) * 2017-11-14 2018-05-04 中国科学院自动化研究所 图像水印去除装置
CN108038823A (zh) * 2017-12-06 2018-05-15 厦门美图之家科技有限公司 图像型变网络模型的训练方法、图像型变方法及计算设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘明明等: "基于生成对抗网络的无载体信息隐藏", 《应用科学学报》 *
谭瞬泉等: "深度残差网络JPEG隐写分析器的特性", 《华南理工大学学报(自然科学版)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487365A (zh) * 2019-09-11 2021-03-12 阿里巴巴集团控股有限公司 信息隐写方法及信息检测方法及装置
WO2021047482A1 (en) * 2019-09-11 2021-03-18 Alibaba Group Holding Limited Method and system for performing steganographic technique
CN112487365B (zh) * 2019-09-11 2024-01-30 阿里巴巴集团控股有限公司 信息隐写方法及信息检测方法及装置
CN111667014A (zh) * 2020-06-11 2020-09-15 重庆紫光华山智安科技有限公司 训练方法、图像编辑方法、装置及电子设备
CN111667014B (zh) * 2020-06-11 2022-12-02 重庆紫光华山智安科技有限公司 训练方法、图像编辑方法、装置及电子设备
CN115442324A (zh) * 2021-06-04 2022-12-06 中国移动通信集团浙江有限公司 消息生成方法、装置、消息管理设备以及存储介质
CN115442324B (zh) * 2021-06-04 2023-08-18 中国移动通信集团浙江有限公司 消息生成方法、装置、消息管理设备以及存储介质

Also Published As

Publication number Publication date
CN108648135B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN109587372B (zh) 一种基于生成对抗网络的不可见图像隐写术
CN108648135A (zh) 隐藏模型训练及使用方法、装置和计算机可读存储介质
Kuznetsov et al. Deep adaptive sampling for low sample count rendering
Bansal et al. Certified neural network watermarks with randomized smoothing
CN112861671B (zh) 一种对深度伪造人脸图像和视频的鉴别方法
CN112861805B (zh) 一种基于内容特征和风格特征的人脸图像生成方法
Liu et al. Digital cardan grille: A modern approach for information hiding
CN114638767A (zh) 基于生成对抗网络的腹腔镜影像除烟方法
CN106454367A (zh) 一种多媒体文件的标识方法及系统
CN109543635A (zh) 活体检测方法、装置、系统、解锁方法、终端及存储介质
WO2022241307A1 (en) Image steganography utilizing adversarial perturbations
Veerashetty Secure communication over wireless sensor network using image steganography with generative adversarial networks
CN110264391A (zh) 训练数据处理方法及设备
EP2785039A1 (fr) Procédé et dispositif de tatouage d'une séquence d'images, procédé et dispositif d'authentification d'une séquence d'images tatouées et programme d'ordinateur correspondant
CN109977919B (zh) 基于人脸识别的数据处理方法、介质、设备及装置
Cao et al. Invisible watermarking for audio generation diffusion models
Lu et al. Assessment framework for deepfake detection in real-world situations
CN114780932B (zh) 管理三化平台的跨区块链数据交互验证方法、系统及设备
Zheng et al. Composition-Aware Image Steganography Through Adversarial Self-Generated Supervision
CN114630130A (zh) 一种基于深度学习的换脸视频溯源方法及系统
CN116264606A (zh) 用于处理视频的方法、设备和计算机程序产品
Deshpande et al. A substitution-by-interpolation algorithm for watermarking audio
Wazirali et al. Data hiding based on intelligent optimized edges for secure multimedia communication
CN104933674B (zh) 一种图像处理方法及装置
CN117011113A (zh) 一种基于图像解耦的无嵌入隐写方法、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant