공동 적응 강인 스테가노그래피 네트워크

스테가노그래피 시스템 내의 전송 왜곡은 드러내기 및 보이지 않기 성능의 극적인 저하를 쉽게 초래할 수 있습니다. 이전 연구들은 다양한 왜곡에 대한 충분한 적응이 부족했으며, 이는 강인한 이미지 스테가노그래피의 성능 향상을 저해합니다. 이 기사는 공동 적응 강인 스테가노그래피 네트워크(JARS-Net)를 제안합니다. 구체적으로, 계층적 주의 역전기구(HAI)가 먼저 제안되어 서로 다른 깊이와 규모에서 커버-비밀 정보를 점진적으로 조정하고 융합함으로써 적응형 기능 조정을 달성합니다. 또한, 적응형 키 학습(AKL)이 다양한 왜곡 하에서 비밀 복구를 위한 적응형 키를 생성하는 적응형 스테가노그래피 전략으로 제안됩니다. 더욱이, 가역적 HAI와 부드러운 AKL의 결합 덕분에, 드러난 비밀 이미지는 역방향 HAI 흐름을 따라 수신된 스테고 이미지에서 점진적으로 분리될 수 있습니다. 광범위한 실험 결과, 제안된 JARS-Net이 다양한 왜곡 하에서 은밀한 통신의 보이지 않기 및 드러내기 성능을 상당히 향상시킬 수 있음을 보여줍니다.