CN116542839B - 一种基于生成对抗网络的渐进生成式隐写方法 - Google Patents

一种基于生成对抗网络的渐进生成式隐写方法 Download PDF

Info

Publication number
CN116542839B
CN116542839B CN202310815859.7A CN202310815859A CN116542839B CN 116542839 B CN116542839 B CN 116542839B CN 202310815859 A CN202310815859 A CN 202310815859A CN 116542839 B CN116542839 B CN 116542839B
Authority
CN
China
Prior art keywords
generation
layer
secret
picture
noise
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.)
Active
Application number
CN202310815859.7A
Other languages
English (en)
Other versions
CN116542839A (zh
Inventor
周琪华
廖灵芝
潘文焱
崔琦
袁程胜
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202310815859.7A priority Critical patent/CN116542839B/zh
Publication of CN116542839A publication Critical patent/CN116542839A/zh
Application granted granted Critical
Publication of CN116542839B publication Critical patent/CN116542839B/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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking

Landscapes

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

Abstract

本发明公开了一种基于生成对抗网络的渐进生成式隐写方法，涉及信息安全技术领域，其过程分为三部分：秘密信息映射、秘密图像生成以及秘密信息提取。映射阶段将秘密信息M划分为n段并用映射规则将每一段秘密信息Mi映射为多尺度的噪声图Zi。生成阶段由输入噪声图Z0生成高分辨率的含秘图片。提取阶段接受者用收到的含秘图片下采样至对应生成阶段的多尺度图片并输入提取器Ei以获得噪声图，利用秘密信息到噪声图的逆映射将噪声图恢复为比特流。此外，该方法在生成器和提取器结构中加入密集通道注意力连接。本发明能够实现秘密通信功能。

Description

一种基于生成对抗网络的渐进生成式隐写方法
技术领域
本发明涉及信息安全技术领域，特别是涉及一种基于生成对抗网络的渐进生成式隐写方法。
背景技术
信息隐藏是信息安全领域广泛研究的重要问题，其实际应用价值体现在隐写术、数字水印、秘密通信等领域。隐写术是指将秘密信息隐藏入多媒体载体中实现发送者和接受者间秘密通信的功能。
早期的工作中，大多数的隐写术方法是传统嵌入式的方法。这类方法一般需要载体图片来嵌入秘密信息从而构造出秘密图片。总的来看，这类方法依赖载体的冗余空间来实现秘密信息的嵌入。然而，嵌入式方法对图片或多或少会留下修改痕迹，隐写分析器容易检测到这些痕迹从而导致秘密通信失败。所以，嵌入式的方法难以应用于实际场景中。因此，隐写术的重心已经逐渐从嵌入式的方法转移到生成式的方法上。在生成式的方法中，为了降低被隐写分析器检测到的几率，将秘密信息通过神经网络直接转化为秘密图片而不需要载体图片的介入。
近年来，大量的生成式隐写方法已经被提出，根据生成模型类型主要分生成对抗网络和流模型。相比于嵌入式方法，生成式方法直接由秘密信息转化为秘密图片的形式能抵抗隐写分析器的检测，因此生成式方法具有更好的实际应用价值。在现有的生成式方法中，基于生成对抗网络的生成式隐写方法是一种典型的隐写方法。然而，目前的基于生成对抗网络的生成式隐写方法有以下几个技术难题：
1、现有的基于生成对抗网络模型的生成式隐写方法通常是只经过一次秘密信息隐藏，隐藏空间很小。因此，目前大多数的基于生成对抗网络的生成式隐写方法难以获得大隐写容量，从而难以达到理想的秘密通信效果。
2、现有的基于生成对抗网络模型的生成式隐写方法并未将秘密信息与特征相关联，由秘密信息转换得到的含秘图像生成质量低下，导致该类基于生成对抗网络模型的生成式隐写很难做到高提取率，从而很难达到理想的秘密通信效果。
发明内容
为了解决以上技术问题，本发明提供一种基于生成对抗网络的渐进生成式隐写方法，依次包括秘密信息映射噪声图阶段、含秘图片生成阶段以及秘密信息提取阶段，且在含秘图片生成阶段和秘密信息提取阶段中加入通道注意力模块；
秘密信息映射噪声图阶段包括以下步骤
A1、将每τ个二进制比特归为一组，同时将区间[-1,1]划分为个区间，每一种二进制组合对应一个子区间s；根据每组二进制比特类型对应的子区间，通过随机函数frand计算随机噪声值vz；
A2、根据上采样图片像素值与子区间s的位置关系对子区间s进行调整，若上采样图片像素值在子区间中，则子区间不需要调整；若上采样图片像素值不在子区间中，则根据上采样图片像素值与区间边界的距离长度对子区间的大小进行调整，得到调整后的子区间/>；
A3、在调整后的子区间中重新生成噪声值Zi(x,y)；
A4、将噪声值Zi(x,y)组合形成噪声图Zi；
含秘图片生成阶段中，利用多层级生成对抗网络以多层生成器{G0,G1,...,Gn}与辨别器{D0,D1,...,Dn}对抗的方式学习并获得含秘图片，具体包括以下步骤
B1、将真实图片In下采样至{I0,I1,...,In}；
B2、将第一层噪声图Z0输入第一层生成器G0得到第一层生成图；将第一层生成图/>与第一层真实图片I0一同输入第一层辨别器D0并判断第一层生成图/>的真假；
B3、使用上采样因子将第一层生成图/>上采样至/>；将第二层噪声图Z1与上采样图/>叠加输入第二层生成器G1并生成第二层生成图/>；第二层生成图/>与第二层真实图片I1一同输入第二层辨别器D1并判断/>的真假；
B4、重复步骤B3直至第n+1层，第n+1层生成器Gn输出图片，图片/>即为多层级生成对抗网络输出的高分辨率含秘图片；
秘密信息提取阶段包括以下步骤
C1、接收秘密图片，/>表示/>经过媒介传输被接收者获取的秘密图片，将其输入第n+1层提取器En输出第n+1层噪声图/>，利用秘密信息映射噪声图逆过程将第n+1层噪声图/>恢复至第n+1层秘密信息/>；
C2、用下采样因子将秘密图片下采样至第n层秘密图片/>，将其输入第n层提取器En-1输出第n层噪声图/>，利用秘密信息映射噪声逆过程将第n层噪声图/>恢复至第n层秘密信息/>；
C3、重复步骤C2，直至恢复到第一层秘密信息；
C4、将拼接成比特流/>，比特流/>即为恢复的秘密信息。
本发明进一步限定的技术方案是：
进一步的，步骤A1中，随机噪声值的计算方法如下式所示：
其中，表示二进制组对应的十进制数；/>表示间隔常数，用于使每个子区间不交叉；frand()表示取随机数函数；vz表示随机噪声值。
前所述的一种基于生成对抗网络的渐进生成式隐写方法，步骤A2中，判断上采样图片像素值是否在子区间s中，若在，则随机噪声值取/>；若不在，则根据上采样像素值/>和子区间s的位置关系及距离长短来调整子区间s的大小；
调整子区间的计算方法如下式所示：
其中，sl表示子区间长度方向的一侧端点，sr表示子区间长度方向的另一侧端点，(x,y)表示像素位置，表示调整后的子区间。
前所述的一种基于生成对抗网络的渐进生成式隐写方法，步骤A3中，在调整后的子区间中使用取随机数函数获得随机噪声值，计算方法如下式所示：
其中，Zi(x,y)表示位于位置(x,y)的随机噪声值，frand()表示取随机数函数，表示调整后子区间长度方向的一侧端点，/>表示调整后子区间长度方向的另一侧端点。
前所述的一种基于生成对抗网络的渐进生成式隐写方法，含秘图片生成阶段和秘密信息提取阶段中，在生成器{G0,G1,...,Gn}和提取器{E0,E1,...,En}中加入通道注意力模块进行训练，通道注意力模块设置于生成器的每两个卷积块之间，通道注意力模块也同样设置于提取器的每两个卷积块之间，通过通道注意力模块将秘密信息和通道特征进行连接。
前所述的一种基于生成对抗网络的渐进生成式隐写方法，通道注意力模块连接两个卷积块的方法包括以下步骤
D1、将前一个卷积块获得的特征F输入到通道注意力模块，同时进行最大池化和平均池化；
D2、将池化后的特征经激活后相加，再经过激活函数激活后得到注意力权重W；
D3、利用注意力权重W更新原特征F，获得更新后的特征，将更新后的特征/>输入下一个卷积块中。
前所述的一种基于生成对抗网络的渐进生成式隐写方法，步骤D1中，最大池化和平均池化的计算方法如下式所示：
其中，Fi表示输入通道注意力模块的特征，MAX()表示取最大值函数，h和w分别表示特征图的高和宽，fmax表示最大池化后的特征，favg表示平均池化后的特征。
前所述的一种基于生成对抗网络的渐进生成式隐写方法，步骤D2中，将池化后的特征输入多层感知机经过激活函数后并相加，再经过激活函数激活后获得注意力权重，计算过程如下式所示：
其中，frlu表示relu激活函数，fsig表示sigmoid激活函数，W1和W2表示卷积层的权重，W表示通道注意力模块计算获得的权重。
前所述的一种基于生成对抗网络的渐进生成式隐写方法，步骤D3中，由通道注意力模块输出的权重乘以输入特征获得最终经注意力更新后的特征，计算过程如下式所示：
其中，Fi表示输入特征，Wi表示注意力权重，表示更新后的权重。
前所述的一种基于生成对抗网络的渐进生成式隐写方法，生成器、辨别器以及提取器的优化器设置为亚当优化器，学习率参数为0.001。
本发明的有益效果是：
（1）本发明中，根据相应像素值与子区间的关系调整子区间大小，使随机噪声值更加靠近像素值，从而使得秘密信息提取的准确率得以提高；同时还设计了以通道注意力机制为基础的秘密信息结合特征策略，该算法将通道注意力块加在卷积块之间，并将秘密信息和注意力块输出的特征连接，秘密信息和特征连接使得两者关系更加紧密，具有更强的关联性，从而进一步提高秘密信息的提取准确率；
（2）本发明中，还扩大了隐写空间，使得秘密信息能渐进地融入进图片实现隐写，大大提高了隐写容量；在实现高容量隐写的同时也获得了较高的抗隐写分析能力，能够更好地实现秘密通信功能。
附图说明
图1为本发明中秘密信息映射噪声图阶段的流程示意图；
图2为本发明中含秘图片生成阶段的流程示意图；
图3为本发明中秘密信息提取阶段的流程示意图；
图4为本发明中通道注意力模块的结构示意图。
实施方式
本实施例提供的一种基于生成对抗网络的渐进生成式隐写方法，如图1至图3所示，依次包括秘密信息映射噪声图阶段、含秘图片生成阶段以及秘密信息提取阶段，本实施例中，使用BSD100作为训练测试数据集，数据量为100张图片，且每次训练图片量为1张，训练过程包括以下步骤
一、多层级依次对抗训练{G0,G1,...,Gn}和{D0,D1,...,Dn}；
二、将Gn输出的含秘图片下采样后依次输入{E0,E1,...,En}。
秘密信息映射噪声图阶段：将给定的秘密信息映射为神经网络的输入噪声图，如图1所示，包括以下步骤
A1、将每τ个二进制比特归为一组，同时将区间[-1,1]划分为个区间，每一种二进制组合对应一个子区间s；根据每组二进制比特类型对应的子区间，通过随机函数frand计算随机噪声值vz；本实施例中，所使用随机噪声对应比特数τ为3，所使用超分辨率放大倍数k为4，通过调节参数τ和k对秘密信息隐藏容量进行调节，每一个噪声所隐藏的秘密信息为τ比特，隐藏容量等于所有噪声值数量τ的乘积，即隐藏容量与τ成正比关系；超分辨率放大倍数k与网络的噪声图数量成正比，即与噪声值数量成正比，因此k与隐藏容量也成正比；综上所述，增大τ和k使得隐藏容量增大，反之则减小。
步骤A1中，计算比特组对应初始子区间的方法如下式所示：
其中，表示二进制组对应的十进制数；/>表示间隔常数，用于使每个子区间不交叉；frand()表示取随机数函数；vz表示随机噪声值。
A2、根据上采样图片像素值与子区间s的位置关系对子区间s进行调整，若上采样图片像素值在子区间中，则子区间不需要调整；若上采样图片像素值不在子区间中，则根据上采样图片像素值与区间边界的距离长度对子区间的大小进行调整，得到调整后的子区间/>。
步骤A2中，判断上采样图片像素值是否在子区间s中，若在，则随机噪声值取/>；若不在，则根据上采样像素值/>和子区间s的位置关系及距离长短来调整子区间s的大小；
调整子区间的计算方法如下式所示：
其中，sl表示子区间长度方向的一侧端点，sr表示子区间长度方向的另一侧端点，(x,y)表示像素位置，表示调整后的子区间。
A3、在调整后的子区间中重新生成随机噪声值Zi(x,y)；在调整后的子区间中使用取随机数函数获得随机噪声值，计算方法如下式所示：
其中，Zi(x,y)表示位于位置(x,y)的随机噪声值，frand()表示取随机数函数，表示调整后子区间长度方向的一侧端点，/>表示调整后子区间长度方向的另一侧端点。
A4、将噪声值Zi(x,y)组合形成噪声图Zi。
在秘密信息映射噪声图阶段中，采取了一种子区间调整策略，根据相应像素值与子区间的关系调整子区间大小，使随机噪声值更加靠近像素值，从而极大提高了秘密信息提取的准确率。
含秘图片生成阶段：利用多层级生成对抗网络，以多层生成器与辨别器对抗的方式，学习并获得含秘图片，如图2所示，包括以下步骤
B1、将真实图片In下采样至{I0,I1,...,In}；
B2、将初始噪声图Z0输入生成器G0生成图片；将/>与I0一同输入辨别器D0并判断/>的真假；
B3、使用上采样因子将/>上采样至/>；将噪声图Z1与上采样图/>叠加输入G1并生成/>；/>与I1一同输入辨别器D1并判断/>的真假；
B4、重复步骤B3直至第n层，Gn输出图片，图片/>即为多层级生成对抗网络输出的高分辨率含秘图片。
秘密信息提取阶段：将接受到的含秘图片下采样至不同尺度，并输入对应的提取器获得提取噪声图，将噪声图反映射为秘密信息，如图3所示，包括以下步骤
C1、接收秘密图片，/>表示/>经过媒介传输被接收者获取的秘密图片，将其输入提取器En输出噪声图/>，利用秘密信息映射噪声图逆过程将噪声图/>恢复至秘密信息/>；
C2、用下采样因子将秘密图片下采样至/>，将其输入提取器En-1输出噪声图，利用秘密信息映射噪声逆过程将噪声图/>恢复至秘密信息/>；
C3、重复步骤C2，直至恢复到；
C4、将拼接成比特流/>，比特流/>即为恢复的秘密信息。
密集通道注意力连接策略：将秘密信息和通道特征进行连接，该策略同时应用于生成器和提取器结构中，通道注意力模块设置于生成器的每两个卷积块之间，也同样设置于提取器的每两个卷积块之间，本实施例中，所使用的卷积块为全卷积，通道注意力模块如图4所示，其具体步骤如下：
D1、将前一个卷积块获得的特征F输入到通道注意力模块，同时进行最大池化和平均池化，最大池化和平均池化的计算方法如下式所示：
其中，Fi表示输入通道注意力模块的特征，MAX()表示取最大值函数，h和w分别表示特征图的高和宽，fmax表示最大池化后的特征，favg表示平均池化后的特征。
D2、将池化后的特征相加，经过激活函数激活后得到注意力权重W，计算过程如下式所示：
其中，frlu表示relu激活函数，fsig表示sigmoid激活函数，W1和W2表示卷积层的权重，W表示通道注意力模块计算获得的权重。
D3、利用注意力权重W更新原特征F，获得更新后的特征，将更新后的特征/>输入下一个卷积块中，特征更新的具体计算方法为：
其中，Fi表示输入特征，Wi表示注意力权重，表示更新后的权重。
在步骤D1至步骤D3中，通道注意力块加在生成器和提取器的每两个卷积块之间，用于计算前一个卷积块输出的特征的通道注意力权重，并连接秘密信息，使得秘密信息与特征具备更强的关联性，从而进一步提高秘密信息提取的准确率。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (10)

1.一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：依次包括秘密信息映射噪声图阶段、含秘图片生成阶段以及秘密信息提取阶段，且在含秘图片生成阶段和秘密信息提取阶段中加入通道注意力模块；
秘密信息映射噪声图阶段包括以下步骤
A1、将每τ个二进制比特归为一组，同时将区间[-1,1]划分为个区间，每一种二进制组合对应一个子区间s；根据每组二进制比特类型对应的子区间，通过随机函数frand计算随机噪声值vz；
A2、根据上采样图片像素值与子区间s的位置关系对子区间s进行调整，若上采样图片像素值在子区间中，则子区间不需要调整；若上采样图片像素值不在子区间中，则根据上采样图片像素值与区间边界的距离长度对子区间的大小进行调整，得到调整后的子区间/>；
A3、在调整后的子区间中重新生成噪声值Zi(x,y)；
A4、将噪声值Zi(x,y)组合形成噪声图Zi；
含秘图片生成阶段中，利用多层级生成对抗网络以多层生成器{G0,G1,...,Gn}与辨别器{D0,D1,...,Dn}对抗的方式学习并获得含秘图片，具体包括以下步骤
B1、将真实图片In下采样至{I0,I1,...,In}；
B2、将第一层噪声图Z0输入第一层生成器G0得到第一层生成图；将第一层生成图/>与第一层真实图片I0一同输入第一层辨别器D0并判断第一层生成图/>的真假；
B3、使用上采样因子将第一层生成图/>上采样至/>；将第二层噪声图Z1与上采样图叠加输入第二层生成器G1并生成第二层生成图/>；第二层生成图/>与第二层真实图片I1一同输入第二层辨别器D1并判断/>的真假；
B4、重复步骤B3直至第n+1层，第n+1层生成器Gn输出图片，图片/>即为多层级生成对抗网络输出的高分辨率含秘图片；
秘密信息提取阶段包括以下步骤
C1、接收秘密图片，/>表示/>经过媒介传输被接收者获取的秘密图片，将其输入第n+1层提取器En输出第n+1层噪声图/>，利用秘密信息映射噪声图逆过程将第n+1层噪声图恢复至第n+1层秘密信息/>；
C2、用下采样因子将秘密图片下采样至第n层秘密图片/>，将其输入第n层提取器En-1输出第n层噪声图/>，利用秘密信息映射噪声逆过程将第n层噪声图/>恢复至第n层秘密信息/>；
C3、重复步骤C2，直至恢复到第一层秘密信息；
C4、将拼接成比特流/>，比特流/>即为恢复的秘密信息。
2.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤A1中，随机噪声值的计算方法如下式所示：
其中，表示二进制组对应的十进制数；/>表示间隔常数，用于使每个子区间不交叉；frand()表示取随机数函数；vz表示随机噪声值。
3.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤A2中，判断上采样图片像素值是否在子区间s中，若在，则随机噪声值取/>；若不在，则根据上采样像素值/>和子区间s的位置关系及距离长短来调整子区间s的大小；
调整子区间的计算方法如下式所示：
其中，sl表示子区间长度方向的一侧端点，sr表示子区间长度方向的另一侧端点，(x,y)表示像素位置，表示调整后的子区间。
4.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤A3中，在调整后的子区间中使用取随机数函数获得随机噪声值，计算方法如下式所示：
其中，Zi(x,y)表示位于位置(x,y)的随机噪声值，frand()表示取随机数函数，表示调整后子区间长度方向的一侧端点，/>表示调整后子区间长度方向的另一侧端点。
5.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述含秘图片生成阶段和秘密信息提取阶段中，在生成器{G0,G1,...,Gn}和提取器{E0,E1,...,En}中加入通道注意力模块进行训练，通道注意力模块设置于生成器的每两个卷积块之间，通道注意力模块也同样设置于提取器的每两个卷积块之间，通过通道注意力模块将秘密信息和通道特征进行连接。
6.根据权利要求5所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述通道注意力模块连接两个卷积块的方法包括以下步骤
D1、将前一个卷积块获得的特征F输入到通道注意力模块，同时进行最大池化和平均池化；
D2、将池化后的特征经激活后相加，再经过激活函数激活后得到注意力权重W；
D3、利用注意力权重W更新原特征F，获得更新后的特征，将更新后的特征/>输入下一个卷积块中。
7.根据权利要求6所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤D1中，最大池化和平均池化的计算方法如下式所示：
其中，Fi表示输入通道注意力模块的特征，MAX()表示取最大值函数，h和w分别表示特征图的高和宽，fmax表示最大池化后的特征，favg表示平均池化后的特征。
8.根据权利要求6所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤D2中，将池化后的特征输入多层感知机经过激活函数后并相加，再经过激活函数激活后获得注意力权重，计算过程如下式所示：
其中，frlu表示relu激活函数，fsig表示sigmoid激活函数，fmax表示最大池化后的特征，favg表示平均池化后的特征，W1和W2表示卷积层的权重，W表示通道注意力模块计算获得的权重。
9.根据权利要求6所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述步骤D3中，由通道注意力模块输出的权重乘以输入特征获得最终经注意力更新后的特征，计算过程如下式所示：
其中，Fi表示输入特征，Wi表示注意力权重，表示更新后的权重。
10.根据权利要求1所述的一种基于生成对抗网络的渐进生成式隐写方法，其特征在于：所述生成器、辨别器以及提取器的优化器设置为亚当优化器，学习率参数为0.001。
CN202310815859.7A 2023-07-05 2023-07-05 一种基于生成对抗网络的渐进生成式隐写方法 Active CN116542839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310815859.7A CN116542839B (zh) 2023-07-05 2023-07-05 一种基于生成对抗网络的渐进生成式隐写方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310815859.7A CN116542839B (zh) 2023-07-05 2023-07-05 一种基于生成对抗网络的渐进生成式隐写方法

Publications (2)

Publication Number Publication Date
CN116542839A CN116542839A (zh) 2023-08-04
CN116542839B true CN116542839B (zh) 2023-09-26

Family

ID=87451015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310815859.7A Active CN116542839B (zh) 2023-07-05 2023-07-05 一种基于生成对抗网络的渐进生成式隐写方法

Country Status (1)

Country Link
CN (1) CN116542839B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951149A (zh) * 2020-08-14 2020-11-17 中国人民武装警察部队工程大学 一种基于神经网络的图像信息隐写方法
CN112435155A (zh) * 2020-10-16 2021-03-02 中国人民武装警察部队工程大学 一种基于条件生成对抗网络的可控图像隐写方法
CN113281998A (zh) * 2021-04-21 2021-08-20 浙江工业大学 基于生成对抗网络的工业信息物理系统多点fdi攻击检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951149A (zh) * 2020-08-14 2020-11-17 中国人民武装警察部队工程大学 一种基于神经网络的图像信息隐写方法
CN112435155A (zh) * 2020-10-16 2021-03-02 中国人民武装警察部队工程大学 一种基于条件生成对抗网络的可控图像隐写方法
CN113281998A (zh) * 2021-04-21 2021-08-20 浙江工业大学 基于生成对抗网络的工业信息物理系统多点fdi攻击检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于U-Net结构的生成式多重对抗隐写算法;马宾等;软件学报;第34卷(第7期);第3385-3406页 *
基于隐式对称生成对抗网络的图像隐写与提取方案;屈梦楠等;信息安全研究;第9卷(第6期);第566-572页 *

Also Published As

Publication number Publication date
CN116542839A (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN113222800B (zh) 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统
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
CN112396607A (zh) 一种可变形卷积融合增强的街景图像语义分割方法
CN113947680A (zh) 一种基于级联多尺度视觉Transformer的图像语义分割方法
CN113096017A (zh) 基于深度坐标注意力网络模型的图像超分辨率重建方法
Gulve et al. An image steganography method hiding secret data into coefficients of integer wavelet transform using pixel value differencing approach
CN111327785B (zh) 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
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
CN108109101A (zh) 一种基于多媒体数据的信息隐藏方法、装置及设备
CN114638836A (zh) 基于高度有效驱动与多层级特征融合的城市街景分割方法
Lu et al. Wavelet-based CNN for robust and high-capacity image watermarking
CN113111736A (zh) 基于深度可分离卷积及融合pan的多级特征金字塔目标检测方法
CN117078517A (zh) 基于可逆神经网络的图像超分辨率隐写方法
CN112597509A (zh) 一种融合小波和自编码器的信息隐藏方法及系统
CN116542839B (zh) 一种基于生成对抗网络的渐进生成式隐写方法
CN116883222A (zh) 基于多尺度自动编码器的抗jpeg压缩鲁棒性图像水印方法
CN109729070B (zh) 一种基于cnn和rnn融合模型的网络异构并发隐写信道的检测方法
CN113628090B (zh) 抗干扰消息隐写与提取方法、系统、计算机设备、终端
Li et al. Robust image steganography against general downsampling operations with lossless secret recovery
Huang et al. A novel hybrid image synthesis-mapping framework for steganography without embedding
CN110855850B (zh) 一种基于矩阵编码的数据隐藏方法
Sharma et al. A daubechies DWT based image steganography using smoothing operation.
CN114049246A (zh) 一种基于小波变换的信息隐藏方法及系统
CN111669394B (zh) 卫星通信图像语音信息隐藏传输方法
CN104202501A (zh) 一种在图像中进行信息搭载传输的方法

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