[论文解读] Deep-learning-based optical image hiding

Jiaosheng Li, Yuhui Li+6 more|arXiv (Cornell University)|Mar 5, 2020

Digital Media Forensic Detection参考文献 23被引用 5

一句话总结

本文提出了一种基于深度学习的光学图像隐藏框架，利用生成对抗网络（GAN）将秘密图像嵌入到干涉图中，实现无需光学逆衍射参数即可高质量重建。该方法对相位偏移误差和噪声具有鲁棒性，在光学实验中验证了其实际可行性与安全性。

ABSTRACT

A novel framework of optical image hiding based on deep learning (DL) is proposed in this paper, and hidden information can be reconstructed from an interferogram by using an end to end network with high-quality. By using the prior data between the hidden image and the object image, a generative adversarial network was trained so that it can learn the hiding model, which resulting in only an interferogram needs to be transmitted and recorded to reconstruct image. Moreover, reconstruction process can be obtained without the parameters in optical inverse diffraction and the reconstruction result will not be affected by the phase shifts deviation and noise, which is convenient for practical application. The feasibility and security of the proposed method are demonstrated by the optical experiment results.

研究动机与目标

• 开发一种新型光学图像隐藏方法，消除对精确光学参数进行重建的依赖。
• 通过利用深度学习从数据中学习隐藏模型，提升图像隐藏的安全性与鲁棒性。
• 实现在无需相位偏移校准或逆衍射处理的情况下，仅从干涉图中实现高质量图像重建。
• 在包含噪声和相位偏差的实际光学条件下，验证该方法的可行性与抗干扰能力。
• 展示一种实用的端到端深度学习解决方案，仅使用干涉数据进行光学图像隐藏的传输与重建。

提出的方法

• 使用物体图像与其对应干涉图的配对数据，训练生成对抗网络（GAN），以学习光学隐藏变换。
• GAN 框架实现了图像隐藏过程的端到端学习，仅需传输和存储干涉图。
• 生成器学习将原始图像映射为干涉图，而判别器则确保生成的干涉图具有真实感且具备隐蔽性。
• 重建过程跳过传统的逆衍射算法，完全依赖训练好的深度神经网络恢复隐藏图像。
• 该方法设计为对相位偏移偏差和噪声具有鲁棒性，因为在训练过程中网络已学习泛化处理各种扰动。
• 该框架无需了解光学系统参数，适用于实际部署。

实验结果

研究问题

• RQ1 深度学习模型能否在不依赖显式物理建模的情况下，有效学习物体图像与其干涉图之间的光学隐藏变换？
• RQ2 当干涉图受噪声或相位偏移误差污染时，重建图像的质量能保持多大程度的保真度？
• RQ3 所提出的方法能否消除图像重建过程中对逆衍射处理和光学参数校准的需求？
• RQ4 与传统光学图像隐藏方法相比，基于 GAN 的方法在鲁棒性与重建保真度方面表现如何？
• RQ5 在实际光学实验条件下，该方法的实际可行性如何？

主要发现

• 所提出的基于深度学习的方法可直接从干涉图中实现高质量隐藏图像重建，无需使用逆衍射处理或系统参数。
• 即使在相位偏移偏差和噪声干扰下，重建结果依然准确，证明了其在实际光学环境中的鲁棒性。
• 光学实验验证了该方法的可行性和安全性，显示出最小退化下的成功图像恢复。
• GAN 框架成功从数据中学习隐藏模型，实现了仅使用干涉图的端到端传输与重建。
• 该方法显著降低了对精确光学校准的依赖，提升了其在实际应用中的实用性。
• 结果表明，深度学习能够有效建模复杂的光学干涉图案，实现安全的图像隐藏。