CN112435155A - 一种基于条件生成对抗网络的可控图像隐写方法 - Google Patents

一种基于条件生成对抗网络的可控图像隐写方法 Download PDF

Info

Publication number
CN112435155A
CN112435155A CN202011109236.0A CN202011109236A CN112435155A CN 112435155 A CN112435155 A CN 112435155A CN 202011109236 A CN202011109236 A CN 202011109236A CN 112435155 A CN112435155 A CN 112435155A
Authority
CN
China
Prior art keywords
image
noise
generator
extractor
condition information
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.)
Pending
Application number
CN202011109236.0A
Other languages
English (en)
Inventor
雷雨
李军
刘佳
张震
张英男
张敏情
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.)
Engineering University of Chinese Peoples Armed Police Force
Original Assignee
Engineering University of Chinese Peoples Armed Police Force
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 Engineering University of Chinese Peoples Armed Police Force filed Critical Engineering University of Chinese Peoples Armed Police Force
Priority to CN202011109236.0A priority Critical patent/CN112435155A/zh
Publication of CN112435155A publication Critical patent/CN112435155A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于条件生成对抗网络的可控图像隐写方法，包括以下步骤：利用噪声样本、条件信息和自然图像对生成对抗网络进行训练，所述生成对抗网络包括用于生成图像的生成器和用于判别图像的判别器；利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练；发送方将秘密信息转换成噪声信号，并将噪声信号和选取的条件信息输入训练好的生成器，生成内容可控的隐写图像；接收方接收隐写图像，输入训练好的提取器，提取隐写图像的噪声信号并将噪声信号还原成秘密信息。能利用条件信息有效控制生成的含密图像内容，为解决基于GAN的生成式隐写生成载体内容无法控制的问题提供了一种思路。

Description

一种基于条件生成对抗网络的可控图像隐写方法
技术领域
本发明涉及神经网络领域，尤其涉及一种基于条件生成对抗网络的可控图像隐写方法。
背景技术
隐写术是一种将消息以不引起攻击者注意的方式隐藏到载体中进行传输的技术。相比密码技术，隐写术既能以隐藏消息的内容，也能以隐藏传输消息的行为，它的这种特点使其成为非可控环境下情报回传的最佳手段。因此，隐写技术的研究对信息化条件下的情报作战有重要作用，对保护信息安全与国家安全具有重要意义。
根据构造含密载体方式的不同，将隐写方法分为三类：基于载体修改的隐写方法、基于载体选择的隐写方法和基于载体合成的隐写方法。这三类方法各有优缺点。
基于载体合成的隐写方法是由发送方根据消息直接构造含密载体，使含密载体携带消息。这类方法的优点是没有修改载体的过程，收发双方不需要共享大信息量的映射关系，合成的载体内容通常不会出现重复；缺点是构造出绝对自然的含密载体难度大。在GAN出现之前，基于载体合成的隐写方法基本都是通过纹理图像合成实现的。但由于纹理图像不具有自然图像的语义特征，反复传输纹理图像，容易引起攻击者的注意。GAN的出现给载体合成方法带来了新的发展机会。
GAN利用博弈策略让生成器和判别器对抗，最终形成一个强大的生成器。理想情况下，训练达到最优的生成器能使生成样本的分布与真实数据相同。也就是说，理想情况下利用GAN实现载体合成隐写方法有构造出自然含密载体的可能性。本文将利用GAN或者类似生成器直接构造含密载体的方法也称为生成式隐写，“生成”的称呼能更加生动的体现出载体构造的过程。目前已有学者提出了具体的基于GAN的生成式隐写方法，从这些方法的效果看，面临的主要问题有：生成载体的内容无法控制。GAN采用无监督的学习方式训练，使得生成载体的内容无法预先控制。基于GAN的隐写自然也就无法控制生成的含密载体内容。
发明内容
鉴于目前存在的上述不足，本发明提供一种基于条件生成对抗网络的可控图像隐写方法，能利用条件信息有效控制生成的含密图像内容，为解决基于GAN的生成式隐写生成载体内容无法控制的问题提供了一种思路。
为达到上述目的，本发明的实施例采用如下技术方案：
一种基于条件生成对抗网络的可控图像隐写方法，所述信息隐写方法包括以下步骤：
利用噪声样本、条件信息和自然图像对生成对抗网络进行训练，所述生成对抗网络包括用于生成图像的生成器和用于判别图像的判别器；
利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练；
发送方将秘密信息转换成噪声信号，并将噪声信号和选取的条件信息输入训练好的生成器，生成内容可控的隐写图像；
接收方接收隐写图像，输入训练好的提取器，提取隐写图像的噪声信号并将噪声信号还原成秘密信息。
依照本发明的一个方面，所述利用噪声样本、条件信息和自然图像对生成对抗网络进行训练具体为：从噪声样本中提取随机噪声，并选取条件信息一同输入生成器进行训练产生生成图像，将生成图像与条件信息的组合以及自然图像与条件信息的组合同时输入判别器进行训练对生成图像进行判别，通过判别器不断提高生成器的性能，使生成器能生成可控的逼真生成图像。
依照本发明的一个方面，所述生成器输入为噪声信号和条件信息，生成器包括2个全连接层和2个反卷积层，均使用ReLU作为激活函数，每一层的输出均与条件信息连接，最后输出64×64×1的生成图像，反卷积层采用5×5的卷积核，移动步长为[2,2]。
依照本发明的一个方面，所述判别器输入为64×64×1的真实图像或生成图像以及条件信息，判别器包括2个卷积层和2个全连接层，均使用ReLU作为激活函数，每一层的输出均与条件信息连接，最后输出一维向量用于判断图像的真假，卷积层采用5×5的卷积核，移动步长为[2,2]。
依照本发明的一个方面，所述生成器和判别器采用梯度下降算法进行训练，使损失函数最小。
依照本发明的一个方面，所述利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练具体为：训练好的生成器输出生成图像后，将生成图像输入提取器进行训练，使提取器从生成图像中提取出的噪声信号与生成图像的驱动噪声一致。
依照本发明的一个方面，所述提取器输入为生成图像，输出为噪声信号，提取器包括4个卷积层和1个全连接层，均使用ReLU作为激活函数，卷积层采用5×5的卷积核，移动步长为[2,2]。
依照本发明的一个方面，所述将秘密信息转换成噪声信号具体为：将秘密信息用二进制表示，通过以下映射关系将秘密信息转换成随机噪声
zi＝random(si-1,si)
其中si表示秘密信息s的第i个比特位，zi表示随机噪声z的第i维，函数random(x,y)表示从区间(x,y)产生一个随机数。
依照本发明的一个方面，所述将噪声信号还原成秘密信息具体为：将提取器提取出的噪声信号中每一维的噪声按照映射关系转换成秘密信息比特位，并连接恢复出秘密信息。
依照本发明的一个方面，所述可控图像隐写方法还包括以下步骤：对生成对抗网络和提取器的性能进行实验。
本发明实施的优点：本发明所述的一种基于条件生成对抗网络的可控图像隐写方法，包括以下步骤：利用噪声样本、条件信息和自然图像对生成对抗网络进行训练，所述生成对抗网络包括用于生成图像的生成器和用于判别图像的判别器；利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练；发送方将秘密信息转换成噪声信号，并将噪声信号和选取的条件信息输入训练好的生成器，生成内容可控的隐写图像；接收方接收隐写图像，输入训练好的提取器，提取隐写图像的噪声信号并将噪声信号还原成秘密信息。能利用条件信息有效控制生成的含密图像内容，为解决基于GAN的生成式隐写生成载体内容无法控制的问题提供了一种思路。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，对于本领域普通技术人员来讲，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为本发明所述的一种基于条件生成对抗网络的可控图像隐写方法示意图；
图2为本发明所述的基于条件信息的生成对抗网络结构图；
图3为本发明所述的基于条件信息的生成对抗网络中生成器的网络结构图；
图4为本发明所述的基于条件信息的生成对抗网络中判别器的网络结构图；
图5为本发明所述的提取器的训练流程图；
图6为本发明所述的提取器的网络结构图；
图7为本发明所述的含密图像生成与秘密信息提取流程图；
图8为本发明所述的嵌入不同秘密信息长度时条件信息对生成图像内容的控制示意图；
图9为本发明所述的生成器在不同训练轮数下的生成图像效果示意图；
图10为本发明所述的提取器在不同训练轮数下的失真变化图。
具体实施方式
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，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
如图1至图10所示，一种基于条件生成对抗网络的可控图像隐写方法，所述信息隐写方法包括以下步骤：
S1：利用噪声样本、条件信息和自然图像对生成对抗网络进行训练；
在实际应用中，所述生成对抗网络包括用于生成图像的生成器和用于判别图像的判别器，分别用G和D表示。
在实际应用中，所述利用噪声样本、条件信息和自然图像对生成对抗网络进行训练具体为：从噪声样本中提取随机噪声，并选取条件信息一同输入生成器进行训练产生生成图像，将生成图像与条件信息的组合以及自然图像与条件信息的组合同时输入判别器进行训练对生成图像进行判别，通过判别器不断提高生成器的性能，使生成器能生成可控的逼真生成图像。
在实际应用中，如图2所示，把随机噪声z和条件信息y的组合作为隐空间的表示，输入给生成器G进行训练；把自然图像x和条件信息y的组合作为真实图像集的概率空间表示，把生成图像G(z)和条件信息y的组合作为生成图像集的概率空间表示，分别输入给判别器D进行训练。生成器G训练好后，在测试阶段能以利用条件信息y控制生成图像。
在实际应用中，在训练生成器G时的损失函数
Figure BDA0002728029660000051
用以下公式表示，其中pz表示随机噪声z的分布，
Figure BDA0002728029660000052
表示生成数据的期望。
Figure BDA0002728029660000053
在训练判别器D时的损失函数
Figure BDA0002728029660000054
用以下公式表示，其中pd表示真实数据x的分布，
Figure BDA0002728029660000055
表示真实数据的期望。
Figure BDA0002728029660000056
由上面两个公式可以看出，
Figure BDA0002728029660000057
是条件概率公式，能理解为对于不同的条件信息y，有不同的代价函数，对应不同生成图像。
在实际应用中，如图3所示，所述生成器输入为噪声信号和条件信息，生成器包括2个全连接层和2个反卷积层，均使用ReLU作为激活函数，每一层的输出均与条件信息连接，最后输出64×64×1的生成图像，反卷积层采用5×5的卷积核，移动步长为[2,2]，“+”表示连接。
在实际应用中，假设随机噪声z的长度为100维，用类别标签表示条件信息y，长度为10维，表示10个类别，生成图像G(z)为单通道的灰度图像。将随机噪声z和条件信息y连接后作为整体输入全连接层，经过2个全连接层和2个反卷积层，每一层的输出均和条件信息y连接，最终得到尺寸为64×64×1的生成图像G(z)。
在实际应用中，如图4所示，所述判别器输入为64×64×1的真实图像或生成图像以及条件信息，判别器包括2个卷积层和2个全连接层，均使用ReLU作为激活函数，每一层的输出均与条件信息连接，最后输出一维向量用于判断图像的真假，卷积层采用5×5的卷积核，移动步长为[2,2]，“+”表示连接。
在实际应用中，将尺寸为64×64×1的真实图像x或生成图像G(z)和条件信息y连接后作为整体输入卷积层，经过2个卷积层和2个全连接层，每一层的输出和条件信息y连接，最终得到1维向量用于判断真假。
在实际应用中，所述生成器和判别器采用梯度下降算法进行训练，使损失函数最小。
在实际应用中，生成对抗网络训练好后，发送方保存生成器的网络参数，为训练提取器做好准备。
S2：利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练；
在实际应用中，提取器用E表示。
在实际应用中，所述利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练具体为：训练好的生成器输出生成图像后，将生成图像输入提取器进行训练，使提取器从生成图像中提取出的噪声信号与生成图像的驱动噪声一致。
在实际应用中，提取器E的训练过程如图5所示，发送方将消息映射成随机噪声，由随机噪声z和条件信息y共同驱动已训练好的生成器G生成图像。利用卷积神经网络设计噪声提取器E，用G的生成图像作为输入训练E，使提取器网络的输出噪声z’与驱动噪声z一致。
在实际应用中，训练提取器E的损失函数L(E)用以下公式表示，其中，n表示随机噪声z的维数
Figure BDA0002728029660000061
在实际应用中，如图6所示，所述提取器输入为生成图像，输出为噪声信号，提取器包括4个卷积层和1个全连接层，均使用ReLU作为激活函数，卷积层采用5×5的卷积核，移动步长为[2,2]，“+”表示连接。
在实际应用中，将生成图像G(z)作为输入，经过4个卷积层和1个全连接层，输出噪声z’，通过训练使提取器E输出噪声z’与驱动噪声z一致。
在实际应用中，当提取器E经过训练达到稳定后，发送方将训练好的提取器网络参数共享给接收方用于提取噪声。
S3：发送方将秘密信息转换成噪声信号，并将噪声信号和选取的条件信息输入训练好的生成器，生成内容可控的隐写图像；
在实际应用中，所述将秘密信息转换成噪声信号具体为：将秘密信息用二进制表示，通过以下映射关系将秘密信息转换成随机噪声
zi＝random(si-1,si)
其中si表示秘密信息s的第i个比特位，zi表示随机噪声z的第i维，函数random(x,y)表示从区间(x,y)产生一个随机数。
在实际应用中，生成器G已由发送方训练好，发送方将消息s映射的随机噪声z和选取的条件信息y输入生成器G得到生成图像G(z)，该过程用下列公式表示，其中stego表示含密图像
stego＝G(z|y)
在实际应用中，通过这一步生成由条件信息控制的含密图像。
S4：接收方接收隐写图像，输入训练好的提取器，提取隐写图像的噪声信号并将噪声信号还原成秘密信息。
在实际应用中，提取器E已由发送方训练好，并已将网络参数共享给接收方。接收方接收到stego后，通过已训练好的E提取出随机噪声z’，该过程用下列公式表示。
z’＝E(stego)
在实际应用中，所述将噪声信号还原成秘密信息具体为：将提取器提取出的噪声信号中每一维的噪声按照映射关系转换成秘密信息比特位，并连接恢复出秘密信息。
在实际应用中，接收方将提取出的z’中每一维的噪声按照映射关系转换成消息比特位si'，并连接恢复出消息s’。
在实际应用中，如图7所示，展示了完整的含密图像生成与秘密信息提取流程。
在实际应用中，所述可控图像隐写方法还包括以下步骤：对生成对抗网络和提取器的性能进行实验。
在实际应用中，条件信息y用手写体类别表示，共10个类别，分别对应手写体数字0到9。
在实际应用中，实验中使用的真实图片数据集是MNIST数据集，该数据集由来自250个不同的人手写的数字构成，每个手写数字存储为一张28*28像素的灰度图像，整个数据集共包括60000个训练用手写体图像及对应的标签，10000个测试用手写体图像及对应的标签。该数据集已被打包成压缩文件，使用Python编程读取MNIST数据集并保存。
在实际应用中，实验在深度学习平台Tensorflowv1.15.0上进行，使用的显卡是RTX2070Max-Q。训练CGAN的参数设置如下：将MNIST数据集中60000个训练图像及对应标签和10000个测试图像及对应标签均用于训练CGAN；随机噪声z从(-1,1)上均匀采样；batchsize设置为100，表示每次迭代从训练集中选择100个样本进行训练；epoch设置为20，表示使用训练集中的全部样本训练20轮；生成对抗网络中生成器G和判别器D的网络结构如图3和图4所示，对损失函数
Figure BDA0002728029660000081
和
Figure BDA0002728029660000082
均使用Adam(AdaptiveMomentEstimation)优化器，优化器的学习率设置为0.0002，指数衰减率β1设置为0.5，其它参数使用默认值。训练提取器E的参数设置如下：随机噪声z从(-1,1)上均匀采样；batchsize设置为100，表示每次训练采样100个噪声；training steps设置为50000，表示使用batchsize个样本训练50000次；提取器E的网络结构如图6所示，对损失函数L(E)使用Adam优化器，优化器的学习率设置为0.0002，指数衰减率β1设置为0.5，其它参数使用默认值。
在实际应用中，通过实验测试不同秘密信息长度对图像质量的影响，嵌入秘密信息s的比特位数|s|分别为100位、120位、150位和200位。条件信息y用手写体类别表示，共10个类别，分别对应手写体数字0到9。将消息s通过公式转换成随机噪声z，连接类别信息y生成图像，10个类别的条件信息对生成图像内容的控制效果如图8所示。四幅图像均由10行10列的小图像拼接而成，其中10行对应条件信息y的10个类别，10列表示由对应条件信息控制生成的10幅小图像。由图9可看出，嵌入不同消息长度时10个类别的条件信息均能有效控制图像内容，生成对应手写体数字；同时在四种消息嵌入长度下，生成图像质量相当，说明对于手写体图像，秘密信息嵌入长度对图像质量影响不明显。
在实际应用中，通过实验测试秘密信息s的比特位数|s|为100时，本方法生成图像的质量，如图9所示，显示了不同训练轮数下生成图像的效果，对于本文方法，第1轮训练结束时生成的手写体数字已可模糊辨别，第5轮时生成的手写体数字已可较准确辨别，第10轮和第20轮时生成效果同第5轮相当，收敛速度极快。
在实际应用中，通过实验测试嵌入秘密信息s的比特位数为100位时，提取器提取效率随训练轮数的变化，如图10所示，本文方法提取器失真均呈下降趋势；在前5000trainingsteps，本文方法提取器失真的下降速度极快；在第50000trainingsteps处，本文方法的提取器失真值下降速度变慢。最终提取正确率稳定在63％附近。
在实际应用中，通过实验测试trainingsteps为50000时，在不同嵌入长度时的消息提取正确率，通过实验可得知当提取器E的trainingsteps为50000时，本文方法在|s|分别为100位、120位、150位和200位时的消息提取正确率比较稳定。
本发明实施的优点：本发明所述的一种基于条件生成对抗网络的可控图像隐写方法，包括以下步骤：利用噪声样本、条件信息和自然图像对生成对抗网络进行训练，所述生成对抗网络包括用于生成图像的生成器和用于判别图像的判别器；利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练；发送方将秘密信息转换成噪声信号，并将噪声信号和选取的条件信息输入训练好的生成器，生成内容可控的隐写图像；接收方接收隐写图像，输入训练好的提取器，提取隐写图像的噪声信号并将噪声信号还原成秘密信息。能利用条件信息有效控制生成的含密图像内容，为解决基于GAN的生成式隐写生成载体内容无法控制的问题提供了一种思路。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述信息隐写方法包括以下步骤：
利用噪声样本、条件信息和自然图像对生成对抗网络进行训练，所述生成对抗网络包括用于生成图像的生成器和用于判别图像的判别器；
利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练；
发送方将秘密信息转换成噪声信号，并将噪声信号和选取的条件信息输入训练好的生成器，生成内容可控的隐写图像；
接收方接收隐写图像，输入训练好的提取器，提取隐写图像的噪声信号并将噪声信号还原成秘密信息。
2.根据权利要求1所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述利用噪声样本、条件信息和自然图像对生成对抗网络进行训练具体为：从噪声样本中提取随机噪声，并选取条件信息一同输入生成器进行训练产生生成图像，将生成图像与条件信息的组合以及自然图像与条件信息的组合同时输入判别器进行训练对生成图像进行判别，通过判别器不断提高生成器的性能，使生成器能生成可控的逼真生成图像。
3.根据权利要求2所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述生成器输入为噪声信号和条件信息，生成器包括2个全连接层和2个反卷积层，均使用ReLU作为激活函数，每一层的输出均与条件信息连接，最后输出64×64×1的生成图像，反卷积层采用5×5的卷积核，移动步长为[2,2]。
4.根据权利要求3所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述判别器输入为64×64×1的真实图像或生成图像以及条件信息，判别器包括2个卷积层和2个全连接层，均使用ReLU作为激活函数，每一层的输出均与条件信息连接，最后输出一维向量用于判断图像的真假，卷积层采用5×5的卷积核，移动步长为[2,2]。
5.根据权利要求4所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述生成器和判别器采用梯度下降算法进行训练，使损失函数最小。
6.根据权利要求1所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述利用生成器生成的生成图像和对应的驱动噪声对提取器进行训练具体为：训练好的生成器输出生成图像后，将生成图像输入提取器进行训练，使提取器从生成图像中提取出的噪声信号与生成图像的驱动噪声一致。
7.根据权利要求6所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述提取器输入为生成图像，输出为噪声信号，提取器包括4个卷积层和1个全连接层，均使用ReLU作为激活函数，卷积层采用5×5的卷积核，移动步长为[2,2]。
8.根据权利要求1所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述将秘密信息转换成噪声信号具体为：将秘密信息用二进制表示，通过以下映射关系将秘密信息转换成随机噪声
zi＝random(si-1,si)
其中si表示秘密信息s的第i个比特位，zi表示随机噪声z的第i维，函数random(x,y)表示从区间(x,y)产生一个随机数。
9.根据权利要求8所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述将噪声信号还原成秘密信息具体为：将提取器提取出的噪声信号中每一维的噪声按照映射关系转换成秘密信息比特位，并连接恢复出秘密信息。
10.根据权利要求1至9之一所述的基于条件生成对抗网络的可控图像隐写方法，其特征在于，所述可控图像隐写方法还包括以下步骤：对生成对抗网络和提取器的性能进行实验。
CN202011109236.0A 2020-10-16 2020-10-16 一种基于条件生成对抗网络的可控图像隐写方法 Pending CN112435155A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011109236.0A CN112435155A (zh) 2020-10-16 2020-10-16 一种基于条件生成对抗网络的可控图像隐写方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011109236.0A CN112435155A (zh) 2020-10-16 2020-10-16 一种基于条件生成对抗网络的可控图像隐写方法

Publications (1)

Publication Number Publication Date
CN112435155A true CN112435155A (zh) 2021-03-02

Family

ID=74695102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011109236.0A Pending CN112435155A (zh) 2020-10-16 2020-10-16 一种基于条件生成对抗网络的可控图像隐写方法

Country Status (1)

Country Link
CN (1) CN112435155A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114900586A (zh) * 2022-04-28 2022-08-12 中国人民武装警察部队工程大学 一种基于dcgan的信息隐写方法及装置
CN116542839A (zh) * 2023-07-05 2023-08-04 南京信息工程大学 一种基于生成对抗网络的渐进生成式隐写方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109818739A (zh) * 2019-01-24 2019-05-28 中国人民武装警察部队工程大学 一种基于对抗网络的生成式图像隐写方法
CN111327785A (zh) * 2020-01-15 2020-06-23 郑州埃文计算机科技有限公司 一种基于对抗生成网络的图像自动构建的信息隐写通信方法
US20200250513A1 (en) * 2019-02-04 2020-08-06 Bank Of America Corporation Neural network image recognition with watermark protection
CN111598762A (zh) * 2020-04-21 2020-08-28 中山大学 一种生成式鲁棒图像隐写方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109818739A (zh) * 2019-01-24 2019-05-28 中国人民武装警察部队工程大学 一种基于对抗网络的生成式图像隐写方法
US20200250513A1 (en) * 2019-02-04 2020-08-06 Bank Of America Corporation Neural network image recognition with watermark protection
CN111327785A (zh) * 2020-01-15 2020-06-23 郑州埃文计算机科技有限公司 一种基于对抗生成网络的图像自动构建的信息隐写通信方法
CN111598762A (zh) * 2020-04-21 2020-08-28 中山大学 一种生成式鲁棒图像隐写方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王耀杰;钮可;杨晓元;: "基于生成对抗网络的信息隐藏方案", 计算机应用, no. 10, 4 June 2018 (2018-06-04) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114900586A (zh) * 2022-04-28 2022-08-12 中国人民武装警察部队工程大学 一种基于dcgan的信息隐写方法及装置
CN114900586B (zh) * 2022-04-28 2024-04-16 中国人民武装警察部队工程大学 一种基于dcgan的信息隐写方法及装置
CN116542839A (zh) * 2023-07-05 2023-08-04 南京信息工程大学 一种基于生成对抗网络的渐进生成式隐写方法
CN116542839B (zh) * 2023-07-05 2023-09-26 南京信息工程大学 一种基于生成对抗网络的渐进生成式隐写方法

Similar Documents

Publication Publication Date Title
Hu et al. A novel image steganography method via deep convolutional generative adversarial networks
CN110084734B (zh) 一种基于物体局部生成对抗网络的大数据权属保护方法
Liu et al. Coverless information hiding based on generative adversarial networks
Zhang et al. A generative method for steganography by cover synthesis with auxiliary semantics
CN112435155A (zh) 一种基于条件生成对抗网络的可控图像隐写方法
CN111476228A (zh) 针对场景文字识别模型的白盒对抗样本生成方法
CN112766189A (zh) 深度伪造检测方法、装置、存储介质及电子设备
CN112906019B (zh) 基于改进dcgan模型的流量数据生成方法、装置及系统
CN109948700B (zh) 用于生成特征图的方法和装置
CN110570433A (zh) 基于生成对抗网络的图像语义分割模型构建方法和装置
JP2024522328A (ja) 言語モデルを使うマルチモーダル入力の処理
CN111242241A (zh) 刻蚀字符识别网络训练样本增广方法
CN114339258A (zh) 一种基于视频载体的信息隐写方法及装置
CN112418345A (zh) 细粒度小目标快速识别的方法和装置
CN111353938A (zh) 一种基于网络反馈的图像超分辨率学习方法
CN111726472B (zh) 一种基于加密算法的图像抗干扰方法
CN113919401A (zh) 基于星座图特征的调制类型识别方法、装置、计算机设备
CN115713462A (zh) 超分辨模型训练方法、图像识别方法、装置及设备
CN114972886A (zh) 一种图像隐写分析方法
CN114549698A (zh) 文本合成方法、装置及电子设备
CN113591472B (zh) 歌词生成方法、歌词生成模型训练方法、装置及电子设备
CN117391920A (zh) 基于rgb通道差分平面的大容量隐写方法及系统
CN114037843B (zh) 一种基于改进生成对抗网络的提高水下图像分辨率方法
CN115482463A (zh) 一种生成对抗网络矿区土地覆盖识别方法及系统
CN116777732A (zh) 基于随机噪声的图像生成方法、装置、设备及存储介质

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