![]()
现今的深度生成模型能够生成逼真的图像，并且给定特定的种子（输入）能够产生特定的输出。受先前工作的启发[1]，本文考虑使用AI生成的图像作为载体图像，并借助AI生成技术实现接收者和发送者之间载体图像的同步，即发送双方将共享的密钥输入到相同的生成模型中，得到相同的载体图像。在此基础上，我们改进了现有的固定神经网络隐写方法，基于对抗样本优化的思路，设计了一种隐写扰动搜索算法，将秘密信息直接编码为不可感知的扰动；然后将该扰动叠加到AI生成的载体图像上，生成隐写图像，以进行隐蔽传输。所提出的基于深度模型的固定神经网络隐写框架如下图所示：![]()
Alice（发送者）使用所提出的隐写扰动搜索算法，搜索能够触发固定随机解码网络输出秘密图像的扰动，然后将其添加到由密钥控制的AI生成载体图像上，生成隐写图像；Bob（接收者）首先使用密钥重现载体图像，以分离隐写图像中的扰动，然后使用相同的解码网络从扰动中解码出秘密图像。[1] Chen, Kejiang, et al. "Cover reproducible steganography via deep generative models." IEEE Transactions on Dependable and Secure Computing 20.5 (2022): 3787-3798.相关论文已发表在ACM MM 2024上，作者为复旦大学计算机科学技术学院的李国标、李晟*、钱振兴、张新鹏*。
Guobiao Li, Sheng Li*, Zhenxing Qian and Xinpeng Zhang*" Cover-separable Fixed Neural Network Steganography via Deep Generative Models" In Proceedings of the 32nd ACM International Conference on Multimedia, 2024. DOI: 10.1145/3664647.3680824.论文链接：https://arxiv.org/abs/2407.11405
代码链接：https://github.com/albblgb/Cs-FNNS
供稿：李国标、李晟、张新鹏
