摘要
图像隐写术是一种将信息隐藏在数字图像中进行安全传输的技术，在隐蔽传输和版权保护等领域有着广泛的应用。近期，基于可逆神经网络的图像隐写方法显著地提升了隐藏容量，但这些方法还存在一些问题。一方面，最近的基于可逆神经网络的图像隐写方法仅仅通过简单串联各个可逆块构建隐写网络，但是随着网络的传输，这种连接方式会丢失大量关键细节信息，导致其仍存在不可感知性较差和安全性低的问题。另一方面，此类方法对互联网传输过程中的噪声和压缩异常敏感，即使是微小的干扰也可能对秘密图像的恢复造成影响。针对这些问题，本文着重研究提升基于可逆神经网络的图像隐写算法的不可感知性、安全性和鲁棒性，提出了如下两种图像隐写模型: (1)为了提高不可感知性与安全性，本文提出了一种联合可逆与不可逆机制的密集深度图像隐写模型，实现了有效而安全的信息隐藏。该模型的可逆部分确保了载密图像的不可感知性和安全性，而不可逆部分则实现了秘密图像的高质量恢复。网络的前向过程为秘密图像的嵌入过程，反向过程则是秘密图像的提取过程。对于可逆部分，本方法在前向过程中对每个可逆块采用密集连接，在反向过程则采用串联的方式。对于不可逆部分，本方法采用了改进的Unet网络架构，以提取载体图像和秘密图像的深层细粒度特征。实验结果表明，该图像隐写模型优于当前其他先进的图像隐写方法，在DIV2K、COCO和ImageNet数据集中的载体/载密图像对上，PSNR平均提高了2.42dB,在秘密/恢复的秘密图像对上则提高了2.47dB。载密图像的被检测率下降了3.61％。 (2)为了提高鲁棒性，本文提出了一种基于离散-双树复小波变换的可逆神经网络鲁棒图像隐写模型。该模型在网络中加入了JPEG压缩模拟攻击模块，使网络学习被压缩后的载密图像与秘密图像之间的映射，从而抵抗JPEG压缩攻击。其次，为了提高载密图像和秘密图像的质量，本模型引入双树复小波变换，并将其与离散小波变换相结合进而提取更多的高频信息帮助图像重建。此外，本方法还设计了离散-双树复小波低频损失函数以保证秘密信息被隐藏在载体图像的高频区域，有效地提高了载密图像的安全性。为了提高载密图像的不可感知性，本方法将Transformer与DenseBlock相结合，提高了可逆神经网络的全局建模能力。在DIV2K和ImageNet数据集上，该模型的秘密/恢复的秘密图像对的PSNR比现有方法分别提高了6.21dB及4.14dB。实验结果表明，在保证图像质量和容量的前提下，与现有的图像隐写方法相比，本模型对JPEG压缩具有较强的鲁棒性。
NETL