联合多重对抗与通道注意力的高安全性图像隐写

作     者：马宾 李坤 徐健 王春鹏 李健 张立伟 Ma Bin;Li Kun;Xu Jian;Wang Chunpeng;Li Jian;Zhang Liwei

作者机构：齐鲁工业大学(山东省科学院)网络空间安全学院济南250353 山东省计算机网络重点实验室济南250098 山东财经大学计算机科学与技术学院济南250014 积成电子股份有限公司济南250104 

基　　金：国家自然科学基金项目(62272255) 国家重点研发计划资助(2021YFC3340602) 山东省自然科学基金创新发展联合基金项目(ZR2022LZH011) 山东省自然科学基金项目(ZR2020MF054) 山东省科技型中小企业能力提升工程项目(2022TSGC2485) 济南市带头人工作室项目(2020GXRC056) 济南市引进创新团队项目(202228016) 山东省高校青年创新团队项目(2022KJ124) 教育部“春晖计划”科研合作项目(HZKY20220482) 

出 版 物：《中国图象图形学报》 (Journal of Image and Graphics)

年 卷 期：2024年第29卷第2期

页      码：355-368页

摘      要：目的 现有基于对抗图像的隐写算法大多只能针对一种隐写分析器设计对抗图像,且无法抵御隐写分析残差网络(steganalysis residual network,SRNet)、Zhu-Net等最新基于卷积神经网络隐写分析器的检测。针对这一现状,提出了一种联合多重对抗与通道注意力的高安全性图像隐写方法。方法 采用基于U-Net结构的生成对抗网络生成对抗样本图像,利用对抗网络的自学习特性实现多重对抗隐写网络参数迭代优化,并通过针对多种隐写分析算法的对抗训练,生成更适合内容隐写的载体图像。同时,通过在生成器中添加多个轻量级通道注意力模块,自适应调整对抗噪声在原始图像中的分布,提高生成对抗图像的抗隐写分析能力。其次,设计基于多重判别损失和均方误差损失相结合的动态加权组合方案,进一步增强对抗图像质量,并保障网络快速稳定收敛。结果 实验在BOSS Base 1.01数据集上与当前主流的4种方法进行比较,在使用原始隐写图像训练后,相比于基于U-Net结构的生成式多重对抗隐写算法等其他4种方法,使得当前性能优异的5种隐写分析器平均判别准确率降低了1.6%;在使用对抗图像和增强隐写图像再训练后,相比其他4种方法,仍使得当前性能优异的5种隐写分析器平均判别准确率降低了6.8%。同时也对对抗图像质量进行分析,基于测试集生成的2 000幅对抗图像的平均峰值信噪比(peak signal-tonoise ratio,PSNR)可达到39.925 1 dB,实验结果表明本文提出的隐写网络极大提升了隐写算法的安全性。结论 本文方法在隐写算法安全性领域取得了较优秀的性能,且生成的对抗图像具有很高的视觉质量。

主 题 词：隐写 隐写分析 对抗图像 通道注意力 生成对抗网络(GAN) 

学科分类：0839[0839] 08[工学] 081201[081201] 0812[工学-测绘类] 

核心收录：

D　O　I：10.11834/jig.230134

馆 藏 号：203125853...