![]()
一、方法简介
生成式图像隐写算法在图像生成过程中嵌入秘密信息，而非直接修改像素值，拥有较高的安全性。但已有的生成式图像隐写方法受限于生成图像的视觉质量，且难以处理有损传输场景下的准确率骤减问题。在本文中，我们通过目前流行的图生成模型之一，即Stable Diffusion，建立新的生成式隐写框架，能够在未知有损操作的传输场景下，依然保持良好的图像质量和稳定的秘密信息提取能力。
![]()
图1 方法框架图
如图1所示，本文所提出的方法是基于映射规则的生成式隐写方案。我们设计了一个新的映射模块，该映射模块的映射变换核由随机正交化生成。我们通过中心极限定理等理论证明了映射模块的有效性，能够将01均匀分布的秘密信息映射为标准高斯分布。进一步地，使用扩散模型的采样理论，我们通过常微分方程（ODEs）建立了高斯噪声与生成图像的双向映射。我们分析了此类双向映射的一些性质，包括数值不稳定性和扰动敏感性。因此，我们选用了更高阶的ODE求解器来提高精度，如DPM-Solver++2M。Stable Diffusion作为方法的基础生成模型，不仅提升了精度，而且应用感知压缩降低了隐写算法对图像有损处理操作的敏感程度。
二、实验评估
我们使用四个数据集测试方法的有效性。其中，DescGPT由ChatGPT生成，经人工去重后包含654条描述性语句。MS-COCO和Flicker8K数据集分别由原始数据集中图像标注语句随机采样获得。而LAION-10K数据集由LAION-5B数据集中随机采样1万条语句收集。我们测试了多种场景下算法的平均提取准确率，包括无损场景（不量化/量化）、缩放、JPEG压缩、中值滤波、高斯滤波、高斯噪声等。实验结果如表1所示，在多种场景下隐写算法的提取精度均超过90%，说明了方法良好的鲁棒性。![]()
表1. 所提方法在不同传输场景下的提取准确率
论文信息
相关论文已被IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY (TIFS 2024)录用，作者是复旦大学的胡宵宵、李晟、彭万里、张新鹏、钱振兴*，以及英伟达的应祺超。Xiaoxiao Hu, Sheng Li, Qichao Ying, Wanli Peng, Xinpeng Zhang, Zhenxing Qian*, et al. Establishing Robust Generative Image Steganography via Popular Stable Diffusion[J]. IEEE Transactions on Information Forensics and Security, 2024.
供稿人：胡宵宵 、钱振兴
