.png){kind=icon}
返回
Improved Generative Steganography Based on Diffusion Model
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3539832.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生成模型的快速增长为隐写术开辟了一个新方向，称为生成隐写术（GS）。它允许在不使用载体图像的情况下生成图像。最近，基于生成对抗网络（GANs）和流模型（Flow models）的生成隐写术方法已被提出。一方面，使用GANs生成隐秘图像的方法难以完全恢复隐藏消息，因为网络不可逆。另一方面，基于流的方法存在生成图像可能不真实的问题，主要是因为网络在可逆性方面存在局限性。扩散模型在生成高质量图像的同时满足网络可逆性。然而，现有扩散模型的框架是可逆的，但隐藏消息的恢复并非完全可逆，导致恢复的消息与隐藏消息相似但不完全相同。现有扩散模型通常用于单向图像生成任务，因此在处理双向隐写术任务时存在一些问题。如果直接使用预训练的扩散模型生成隐秘图像，无法通过扩散过程实现精确的秘密数据提取。本文提出了一种基于扩散模型的改进生成隐写术（GSD），该方法在随机噪声的频域中隐藏秘密数据，以提高隐写术的安全性和准确性，并对去噪扩散隐式模型（DDIM）进行隐写术再训练，称为StegoDiffusion。在训练StegoDiffusion时，将随机噪声注入干净的自然图像，然后通过正向扩散过程进行训练以获得再训练的StegoDiffusion。我们提出的GSD方案在单通道中以1比特每像素（bpp）的负载实现了100%的隐藏秘密数据提取准确率，并生成了高质量的PNG格式隐秘图像。
Keyword:
Generative steganography
diffusion model
DDIM
期刊
IF:
11.1
论文数:
624
被引数:
3.1W
机构
引用论文
.png){kind=icon}
分享收藏Image steganalysis using deep learning: a systematic review and open research challenges基于深度学习的图像隐写分析：系统综述与开放性研究挑战
PREAI
分享收藏
查看更多内容