通过生成对抗网络实现隐形隐写术

如今，有许多工作引入卷积神经网络（CNN）进行隐写分析，并超越传统的隐写分析算法。这些工作展示了深度学习在信息隐藏领域的提升潜力。也有几项基于深度学习的图像隐写术工作的出现，但这些工作在容量、隐蔽性和安全性方面仍存在问题。本文提出了一种新颖的CNN架构，称为ISGAN，能够在发送端将秘密灰度图像隐藏到彩色载体图像中，并在接收端准确提取出秘密图像。我们的工作有三大贡献：(i) 我们通过仅在载体图像的Y通道中隐藏秘密图像来提高隐蔽性；(ii) 我们引入生成对抗网络，通过最小化隐写图像和自然图像的经验概率分布之间的差异来增强安全性；(iii) 为了更好地与人类视觉系统关联，我们构建了一种混合损失函数，更适合隐写术，生成更逼真的隐写图像，并揭示出更好的秘密图像。实验结果显示，ISGAN能够在LFW、PASCAL-VOC12和ImageNet数据集上实现领先的性能。