![]()
尽管基于深度学习的隐写分析已成为当前主流方法并具有许多优势，但这些深度模型容易受到对抗性攻击的影响，从而无法有效检测隐写图像。研究一类具有对抗鲁棒性的隐写分析模型，能够在遭受对抗攻击的情况下提供仍然有效的检测能力，对于深度学习隐写分析模型的实战应用具有重大意义。为了应对这一问题，我们提出了一个鲁棒的隐写分析网络结构KDNFT、伪对抗样本生成器PASG和自对抗调整模块TAP，整体的框架如图1所示。![]()
图1.整体结构图
图1中”Training Stage”代表该模块仅训练阶段使用，”Test Stage”代表该模块仅推理阶段使用。在KDNFT中，我们在预训练隐写分析骨干网络中插入Dropout模块，并利用多次的前向传播从单一的输入图像中生成多组邻近特征；在此基础上，利用Transformer网络对这组邻近特征和对应图像的SRM特征进行特征间关系的学习。在PASG中，为了降低对对抗隐写算法、自适应隐写算法等先验知识的需求，我们提出一种仅依赖于Cover-Stego对的伪对抗隐写图像生成方法用于模型的对抗训练，以改善模型对不同对抗攻击通用的鲁棒性。最后，依赖于KDNFT和PASG所构造的内在鲁棒隐写分析模型，我们提出一个在推理阶段做测试时调整的模块TAP，通过对所有样本主动施加对抗噪声来调整特征不稳定的对抗样本，以纠正最终的预测结果。表1. 与其他对比方法在对抗隐写算法MAE上的性能比较
![]()
表2. 与其他对比方法在对抗隐写算法ADV-EMB上的性能比较
![]()
在BOSSBase和BOWS数据集上，我们在对抗隐写算法MAE（表1）和ADV-EMB（表2）上对方法的性能进行验证，实验结果表明所提出方法大部分结果上取得了最优的效果。此外，为了进一步验证所提出方法的有效性，我们也在三种彩色数据集ImageNet、YFCC100M和Coco2017上对对抗隐写算法ADV-EBM上进行实验，如表3所示。实验结果表明，相较于普通的隐写分析模型，我们的方法能够有效地改进隐写分析的对抗鲁棒性。表3. 骨干网络与所提出方法在不同彩色图像数据集和对抗隐写算法ADV-EMB上的性能比较
![]()
论文信息
相关论文已被TIFS 2024录用，作者是深圳大学的林凯清，李斌（通讯作者），李伟祥，刘绪龙，锡耶纳大学的Mauro Barni，Benedetta Tondi.Kaiqing Lin, Bin Li*, Weixiang Li, Mauro Barni, Benedetta Tondi, and Xulong Liu. Constructing an Intrinsically Robust Steganalyzer via Learning Neighboring Feature Relationships and Self-Adversarial Adjustment. in IEEE Transactions on Information Forensics and Security, vol. 19, pp. 9390-9405, 2024, doi: 10.1109/TIFS.2024.3470651.
供稿：林凯清，李斌
