摘要
随着现代科技的发展，多媒体信息呈井喷式增长并快速传播。与此同时，多媒体信息的安全与隐私逐渐得到人们的关注，如何对其进行高效保护成为目前亟待解决的重要问题。信息隐藏是一种将秘密信息(文字、图像等)隐藏于可公开的媒体信息中，使人们凭直观的视觉和听觉难以察觉其存在的技术。其在不影响数字载体正常使用的情况下，实现隐秘通信、版权保护、票据防伪、产品标识和篡改溯源等。 研究表明，基于深度学习的图像信息隐藏算法在多方面优于传统算法，具有可拓展性且易部署。其中，生成对抗网络利用博弈学习完成信息嵌入和提取任务，在信息隐藏领域得到广泛应用。然而，已有的信息隐藏网络训练速度缓慢、模型复杂度高且不稳定，数字载体的可嵌入信息量较低且质量效果不佳。如何基于生成对抗网络和深度学习技术，在保证载体可利用的同时，降低模型复杂度，提升图像的信息隐藏容量和稳定性成为关键研究问题。 针对以上问题，本论文提出了两种基于生成对抗网络的信息隐藏算法，采用深度学习进行算法实现，并搭建了优化的可视化演示系统。论文完成的主要工作如下: (1)提出了一种基于空洞空间金字塔的高容量信息隐藏算法。该算法借助对抗学习思想，实现端到端的高容量信息隐藏。在编解码器网络中使用了改进的空洞空间金字塔池化模块，提高图像信息容量和信息提取的准确性;同时，提出了一种轻量且高效的残差判别网络，以优化编码器网络。此外，利用多种更新策略来训练模型，提高网络的稳定性。实验表明，该算法可以主动学习图像的结构和视觉冗余，在冗余区域自适应嵌入更多的信息，实现原始图像与隐写图像在视觉和感知上的一致性，并有效抵御隐写分析工具的检测。 (2)提出了一种基于自注意力模块的彩色图像信息隐藏算法。该算法选择U型网络作为图像编码模块，进行图像特征的多尺度学习，同时借助跳跃连接方式，完成高低层语义特征的融合，实现彩色图像的自适应嵌入。利用自注意力机制，扩大特征视觉范围，提高编码网络的表征能力、生成图像的质量和隐藏图像的恢复质量。为减少生成网络的冗余，利用轻量型结构进行网络搭建，同时提出新的多损失函数，融合像素和特征级的网络学习，加快网络收敛。实验表明，该算法在保证网络复杂度较低的情况下，提高模型嵌入彩色图像时隐写图像和恢复图像的质量。 (3)优化了所提信息隐藏算法，并搭建可视化演示系统。设计应用系统，嵌入所提两种信息隐藏算法，进行算法效果的可视化展示。为了提高网络的训练速度，满足用户的应用需求，对第一种所提算法进行网络结构的优化，减少网络参数量和运算量，降低模型冗余度，减少训练时间。根据实际场景需求，用户确定信息隐藏算法，进行载体图山东大学硕士学位论文像数据和嵌入信息的选择。通过该系统完成信息的嵌入与提取，实现图像数据的保护或者隐秘信息的通信。
NETL