DGANS：基于双重生成式对抗网络的稳健图像隐写模型

作     者：竺乐庆 郭钰 莫凌强 张大兴 ZHU Leqing;GUO Yu;MO Lingqiang;ZHANG Daxing

作者机构：浙江工商大学计算机与信息工程学院浙江杭州310018 杭州电子科技大学计算机学院浙江杭州310018 

基　　金：国家自然科学基金资助项目(No.61572160) 浙江省自然科学基金资助项目(No.LY20F020002) 

出 版 物：《通信学报》 (Journal on Communications)

年 卷 期：2020年第41卷第1期

页      码：125-133页

摘      要：深度卷积神经网络可有效地应用于大容量图像信息隐写,然而其稳健性研究却鲜有报道。双重生成式对抗网络(DGANS)模型对深度学习框架应用于图像隐写时,针对小幅度几何变换攻击进行了优化设计,从而提高模型的稳健性。DGANS由2个串联的生成式对抗网络构成,可将灰度图像隐藏到相同大小的彩色或灰度图像中并还原。通过对生成的含密图像进行数据增强并进一步强化训练提取网络,使提取网络对输入图像的几何变换具有适应性。实验结果表明,DGAN不仅可以实现高容量的图像信息隐写,而且可以对抗一定范围内的几何攻击,比同类模型有更好的稳健性。

主 题 词：图像隐写 稳健性 双重生成式对抗网络 深度学习 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

核心收录：

D　O　I：10.11959/j.issn.1000-436x.2020019

馆 藏 号：203878584...