合肥工业大学|基于扩散模型的生成式鲁棒图像隐写 (ACM MM 2024)

文摘   2024-10-23 08:30   广东  


与传统修改式图像隐写方法不同,生成式图像隐写是在图像生成过程中隐藏秘密信息。随着生成模型的流行,这项技术展现出了巨大的潜力,但目前的生成式图像隐写方法在可控性、可用性和鲁棒性方面仍存在一些挑战。最近,扩散模型如Latent Diffusion Model(LDM)取得了突破性进展。一方面,该模型以文本提示词为条件生成对应的图像,这与我们对隐写内容可控性的需求不谋而合。另一方面, LDM 社区提供了大量免费的开源工具,为隐写术提供了良好的伪装环境。然而,如何有效地在 LDM 框架中将信息隐藏和图像生成任务结合,并确保在有损数据存储和有损信道传输中的鲁棒性,仍然是一个值得探讨的问题。为了探索预训练的LDM是否具有隐写能力,我们通过初步实验对LDM进行了分析,并归纳出三个关键属性:

1:与原始隐空间  相比,重建的隐空间  会存在偏差,同样,利用  生成的图像与原始隐空间  生成图像X相比也会丢失信息。

2:在对图像X进行量化和噪声处理后,重建的隐空间  和原始隐空间  的差值的绝对值基本保持在0.3以下。   

3:  的采样过程服从高斯分布,在一定的截断区间范围内,全局高斯采样和截断高斯采样生成的图像差异很小。

基于上述探索,我们提出了一种基于LDM的实用且鲁棒的生成式图像隐写算法LDStega,LDStega的框架如图1所示。具体来说,LDStega 将秘密信息m 隐藏在   到   的扩散过程中并利用解码器从含密隐空间生成隐写图像。然而,隐写图像的离散化保存、噪声层和重建隐空间都会导致信息损失。为了提高秘密信息提取的准确度,我们设计了一种基于截断高斯分布的映射函数。发送方首先生成不含密的隐空间  和图像X,然后将X输出到编码器中重建隐空间  ,  。根据属性3,LDStega 将 D 的取值范围分为七个区间:              。当隐写容量小于隐空间大小时,LDStega利用映射函数将秘密数据隐藏在D值相对较低的目标位置,直到隐藏完所有秘密信息。算法1给出了生成隐写图像的详细流程。实验结果表明,LDStega在可控性、可用性和鲁棒性方面均表现出了卓越的性能。


图1 LDStega的架构图   


算法1 隐写图像的生成流程



论文信息


相关论文已被MM '24: Proceedings of the 32nd ACM International Conference on Multimedia (ACM MM 2024)录用,作者是合肥工业大学计算机与信息学院的彭银银、王垚飞*、胡东辉*、荣先进和中国科学技术大学的张卫明、陈可江。

Yinyin Peng, Yaofei Wang*, Donghui Hu*, Kejiang Chen, Xianjin Rong, Weiming Zhang, “LDStega: Practical and Robust Generative Image Steganography  based on Latent Diffusion Models" in MM '24: Proceedings of the 32nd ACM International Conference on Multimedia.



供稿:彭银银、王垚飞、胡东辉

隐者联盟
本公众号主要推介多媒体、人工智能、信息安全等方面的最新研究进展,愿与同行携手,共同推动科学研究向前发展。
 最新文章