基于深度学习特征分布优化的无载体图像隐写方法

作     者：吴槟 薛瑞 

作者机构：中国科学院信息工程研究所网络空间安全防御重点实验室 中国科学院大学网络空间安全学院 

出 版 物：《信息安全学报》 (Journal of Cyber Security)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 0839[工学-网络空间安全] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 081201[工学-计算机系统结构] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(No.U1936119、No.U23B2002、No.62272007)的资助 

主　　题：信息隐藏 载体选择式隐写术 深度度量学习 图像特征分布 

摘      要：在最近的研究中,利用深度学习技术的载体选择式隐写方法取得了一些新进展。然而,这些方法仅仅将深度神经网络作为建立消息码字与图像之间映射关系的一种工具,没有考虑如何通过改进网络模型及优化特征分布以提升隐写方案的整体性能,导致它们在抗攻击性、通信容量以及完备性等关键指标上的表现难以满足实际通信场景的要求。为此,本文首先从映射规则设计方面入手,提出了一种基于优化神经网络特征嵌入的载体选择式隐写方法 Feadio,具有非常好的完备性;其次,探究了原始图像与受攻击图像在嵌入空间中的分布关系,为了提高Feadio的抗攻击性与通信容量,更好地拉近属于同一类的受攻击图像与原始图像的特征嵌入距离,通过在超球面空间对嵌入特征分布进行优化,获得了更好的表征效果;最后,通过在训练模型时引入Arc FaceLoss指标,有效地缩小了相同类别特征的间距,增大了不同类别特征的间距,使得Feadio中模型学习到的特征分布更具判别性。实验结果表明,Feadio不仅能保证100%的完备性和最先进的通信容量,在面对绝大多数几何和噪声攻击时可达到100%的抗攻击性,而且对于真实通信环境下总共12000张受攻击图像,获得了正确提取11997组图像消息的优秀表现。除此之外,本文首次提出了评估无载体隐写方法抗攻击性的基准数据集OSNA-Face,从更客观、更真实的角度衡量了方法的抗攻击性。Feadio的源代码和OSNA-Face数据集均可以从作者网站(https://***/)公开获取,以验证本文方法的有效性和实验结果的真实性。