[论文解读] Hide the Image in FC-DenseNets to another Image

Xintao Duan, Nao Liu|arXiv (Cornell University)|Oct 18, 2019

Advanced Steganography and Watermarking Techniques被引用 5

一句话总结

本文提出了一种基于全卷积密集网络（FC-DenseNet）的新型图像隐写方法，将一幅图像嵌入另一幅图像中作为载体图像，实现高容量与高视觉质量。隐藏与提取网络在基于ImageNet的数据集上联合训练，实现了隐写容量与峰值信噪比（PSNR）的优异性能。

ABSTRACT

In the past, steganography was to embed text in a carrier, the sender Alice and the recipient Bob share the key, and the text is extracted by Bob through the key. If more information is embedded, the image is easily distorted. In contrast, if there is less embedded information, the image maintains good visual integrity, but does not meet our requirements for steganographic capacity. In this paper, we focus on tackling these challenges and limitations to improve steganographic capacity. An image steganography method based on Fully Convolutional Dense Network(FC-DenseNet) was proposed by us. The hidden network and the extracted network are trained at the same time. The dataset of the deep neural network is derived from various natural images of ImageNet. The experimental results show that the stego-image after steganography and the secret image extracted from stego-imge have a visually good effect, and the stego-image has high capacity and high peak signal to noise ratio. Image-to-image full size hiding is implemented.

研究动机与目标

• 解决传统隐写方法中隐写容量与图像失真之间的权衡问题。
• 克服在不降低视觉质量的前提下嵌入大量秘密图像数据的局限性。
• 开发一种深度学习框架，实现高容量与高保真度的端到端图像到图像隐写。
• 训练一个统一网络以同时完成嵌入与提取，确保秘密图像的可靠恢复。
• 利用源自自然图像的ImageNet数据集，实现隐写容量与PSNR的高性能表现。

提出的方法

• 利用全卷积密集网络（FC-DenseNet）架构，学习图像隐写中的复杂非线性映射。
• 采用共享损失函数，联合训练嵌入与提取网络，确保载体图像生成与秘密图像重建之间的一致性。
• 在ImageNet中获取的多样化自然图像数据集上训练网络，以提升泛化能力与鲁棒性。
• 实现图像到图像的隐写流水线，将秘密图像作为载体图像嵌入至载体图像中形成载体图像。
• 优化高隐写容量与高PSNR，以平衡数据嵌入与视觉不可察觉性。
• 利用FC-DenseNet中的密集连接机制，增强特征传播与梯度流动，提升学习效率与重建精度。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在保持高视觉质量的同时实现高隐写容量？
• RQ2 联合训练的FC-DenseNet模型在从载体图像中嵌入与提取秘密图像方面的效果如何？
• RQ3 使用源自ImageNet的自然图像作为训练数据，在多大程度上提升了隐写模型的泛化能力？
• RQ4 与传统隐写技术相比，所提方法在嵌入容量与PSNR之间的权衡关系如何？
• RQ5 对FC-DenseNet进行端到端训练是否能够实现可靠且高保真度的秘密图像恢复？

主要发现

• 所提方法实现了高隐写容量，能够在不造成显著感知退化的情况下将大尺寸秘密图像嵌入载体图像。
• 生成的载体图像具有高视觉质量，峰值信噪比（PSNR）较高，表明失真极小。
• 秘密图像能从载体图像中成功且准确地提取，证明了重建性能的可靠性。
• 嵌入与提取网络的联合训练确保了系统一致性，并提升了隐写系统的鲁棒性。
• 在训练中使用源自ImageNet的自然图像显著增强了模型在多样化图像内容上的泛化能力。
• 该方法成功实现了全尺寸的图像到图像隐写，能够将完整图像隐藏于其他图像之中。