c 网站开发教程 购物网站,安徽省建设厅网站打不开,WordPress手机文章缩略图,微信如何创建自己的公众号一、文章摘要
生成隐写术(GS)是一种新的数据隐藏方式#xff0c;其特点是直接从秘密数据生成隐写介质。现有的GS方法通常因性能差而受到批评。本文提出了一种新的基于流的GS方法——生成隐写流(GSF)#xff0c;该方法可以直接生成隐写图像而不需要封面图像。我们将隐写图像生…一、文章摘要
生成隐写术(GS)是一种新的数据隐藏方式其特点是直接从秘密数据生成隐写介质。现有的GS方法通常因性能差而受到批评。本文提出了一种新的基于流的GS方法——生成隐写流(GSF)该方法可以直接生成隐写图像而不需要封面图像。我们将隐写图像生成和秘密数据恢复过程作为一个可逆变换在输入的秘密数据和生成的隐写图像之间建立可逆的双客观映射。在前向映射中将秘密数据隐藏在Glow模型的输入潜变量中生成隐写图像。通过反向映射可以从生成的隐写图像中准确地提取隐藏数据。此外我们提出了一种新的潜变量优化策略来提高隐写图像的保真度。实验结果表明本文提出的GSF算法的性能远远优于SOTA算法。
二、提出的方法
拟建GSF的管道如图2所示包括两个阶段1.潜变量优化阶段2.隐藏和提取秘密的阶段。在第一阶段对潜变量Z进行优化旨在提高生成的隐写图像的质量。如图2顶部所示采用质量评估器对图像保真度进行评估根据每个输入图像的保真度输出一个分数。将生成图像与真实图像之间的分数差(Diff)作为后向损失进行优化在第二阶段建立从输入秘密数据到输出隐写图像的可逆双射映射通过该映射可以将秘密数据转换为隐写图像反之亦然。数据隐藏过程如图2底部所示。首先将第一阶段优化后的潜变量Z编码为二进制序列并将每个序列中的一些可隐藏位替换为输入的秘密数据。其次将这些修改后的序列转换为与Z中的张量具有相同大小的L个浮点张量称为隐写潜变量Zs。最后Zs被发送到一个预训练的Glow模型用于生成隐写图像。相反可以通过反转上述过程来检索隐藏的秘密数据。
图2 我们建议的GSF的整体结构。潜变量Z与向后损失Diff循环更新该Diff由图像质量评估器计算。将秘密数据隐藏在优化后的Z二值化序列中然后将修改后的序列转换为Zs然后发送给Glow模型进行隐写图像生成。隐藏的秘密数据可以通过反转隐藏过程来提取
2.1 模型训练
我们的方案建立在基于流的生成模型Glow[12]的基础上通过该模型输入潜变量Z和生成图像I几乎可以在没有信息损失的情况下相互转换即Glow(I) Z和Glow−1(Z) I。Glow由一系列可逆函数Glow f1×f2···×fn组成。Glow的变换可以表示为I f1→h1 f2→h2···fn→Zzf−1 n→hn−1···f−1 2→h1 f−1 1→I这里fi是可逆变换函数hi是fi的输出。Glow由三种类型的模块组成包括挤压模块、流动模块和分割模块。挤压模块用于特征映射的下采样流模块用于特征处理。分割模块将图像特征沿通道侧分成两半其中一半作为潜变量张量Zi输出其大小为 其中H/W为生成图像的高度/宽度L为Zi的个数。然后另一半功能循环到挤压模块中。在我们的方案中将Z ∑Li1Zi作为Glow的整体输入潜变量。Glow模型的损失函数定义为 式中log|det (dhi/dhi−1)|为雅可比矩阵行列式dhi/dhi−1的绝对值的对数。
2.2 潜变量优化策略
Glow的初始输入潜变量服从如下分布Z ~ N(01) × δ但只能生成低质量的图像。因此我们提出了一种潜变量优化策略来提高生成图像的质量。所提出的策略如图2顶部所示在算法1中进行了描述。我们不使用随机正态分布而是用映射潜变量的平均值初始化Z其中n个随机采样的真实图像In使用Glow模型转换为潜变量值即Z 1/n ∑Glow(In)。接下来将初始化的Z与向后损失Diff循环更新以进一步提高图像质量。 在该策略中我们使用质量评估器(QA)来评估图像的保真度。使用预训练的分类器Resnet50[13]作为QA对真实图像和Glow生成的图像进行训练。QA将为真实输入图像输出正分数为生成图像输出负分数。Diff是QA输出的n张真实图像的平均得分与生成图像的得分之差可以计算为
式中scoreireal为QA对第i张实数图像的输出得分scoregen为生成图像的得分。每一步只生成一个图像。在每一步优化中Z的更新如下
其中ε为控制变化水平的超参数∇zDiff为潜变量z的梯度。优化过程将继续进行直到达到最大训练步长或Diff值低于阈值。
2.3 秘密隐藏与提取
秘密数据隐藏在优化后的潜变量二值化序列中如图2和图3所示。采用IEEE 754标准进行基数变换将Z的每个浮点数编码为32位二进制序列 图3 秘密隐藏示意图。在将Z转换为二值化序列之后输入的秘密数据隐藏在这些序列的可隐藏位中。然后将修改后的序列转换为称为Zs的浮点张量 这里(n)10表示十进制浮点数。sign是取值为0或1的符号位。(exponent)10表示十进制指数乘数在我们的方案中通常等于125、126或127。(fraction)10表示浮点数的小数部分。然后将sign位、(exponent)10和(fraction)10的值依次转换为二进制数形成32位二进制序列。
详细的数据隐藏过程如图3所示。首先使用公式4中定义的函数将Z的所有浮点数编码为32位二进制序列。除了对图像质量影响较大的指数位外这些二值化序列的符号位和小数部分(第0 ~ 22位)可以用来隐藏秘密数据称为可隐藏位。其中只有分数部分的αth ~ βth(0≤α≤β≤22[α β])位进行数据隐藏。在我们的方案中我们改变α的值来传递不同的秘密有效载荷β固定为22。然后将包含秘密数据的修改序列再次转换为浮点数然后重构为隐写潜变量z。
我们可以逆数据隐藏过程来提取秘密数据。首先将接收到的隐写图像发送到Glow模型中恢复隐写潜变量然后将恢复的隐写潜变量Z*s转换为二值序列。最后可以从这些序列的Sign位和[αβ]位中检索隐藏的秘密数据。综上所述秘密数据的隐藏和提取过程可以描述为
式中bin(·)表示将潜变量张量中的浮点数转换为二进制序列。Secret是输入的秘密数据它隐藏在bin(Z)的Sign位和α - β位中即[S,αβ]。Secret 是从bin(Zs)的相同位置检索到的提取的秘密数据。
三、实现细节
我们的方案是在带有4个Nvidia 1080Ti的CentOS 7上使用PyTorch实现的。CelebA[14]用于评估我们的模型的性能。Adam是优化器学习率是1e-3。训练Glow模型生成L 5的128×128图像。公式3中的参数“ε”设置为1e-3, 公式2中的n设置为3算法1设置为3。算法1中的thresh设置为0.1,max-step设置为100。
在隐写术中bpp是用来衡量隐写图像有效载荷的度量bpp len(Secret)/( H×W)。这里bpp表示每个像素携带的秘密比特数(比特每像素)len(·)表示隐藏的秘密数据的长度H/W为隐写图像的高度/宽度。Acc用于度量秘密数据的提取精度Acc secret∗⊙Secret/(len(secret))这里secret∗和secret分别表示提取的和输入的秘密数据。⊙表示XNOR操作。隐写安全性用度量PE来评价定义为PE minPFA 1/2 (PFA PMD)其中PFA和PMD分别为隐写图像的虚警率和漏检率。PE范围为[01.0] PE的最优值为0.5。此时隐写分析器无法区分图像的来源只能随机猜测。预训练的Resnet50作为质量评估器。它是在20k张CelebA的真实图像和20k张Glow的生成图像上进行训练的。原始未修改的Z生成的图像称为明文图像其中没有隐藏秘密数据。隐写潜变量Zs生成的图像称为隐写图像隐写图像中包含了秘密数据。
论文地址Generative Steganographic Flow
没有公布源码
