DGANS：基于双重生成式对抗网络的稳健图像隐写模型

doi:10.11959/j.issn.1000-436x.2020019

通信学报 ›› 2020, Vol. 41 ›› Issue (1): 125-133.doi: 10.11959/j.issn.1000-436x.2020019

DGANS：基于双重生成式对抗网络的稳健图像隐写模型

竺乐庆¹,郭钰¹,莫凌强¹,张大兴²

¹ 浙江工商大学计算机与信息工程学院，浙江杭州 310018
² 杭州电子科技大学计算机学院，浙江杭州 310018

修回日期:2019-12-05 出版日期:2020-01-25 发布日期:2020-02-11
作者简介:竺乐庆（1972- ），女，浙江嵊州人，博士，浙江工商大学副教授、硕士生导师，主要研究方向为图像处理、模式识别、视频处理、信息隐藏等|郭钰（1995- ），男，安徽宿州人，浙江工商大学硕士生，主要研究方向为图像处理、模式识别、图像信息隐藏等|莫凌强（1994- ），男，浙江嘉兴人，浙江工商大学硕士生，主要研究方向为模式识别、图像处理、图像信息隐藏等|张大兴（1971- ），男，浙江嵊州人，博士，杭州电子科技大学副教授、硕士生导师，主要研究方向为信息安全、多媒体技术、软件工程等
基金资助:
国家自然科学基金资助项目(61572160);浙江省自然科学基金资助项目(LY20F020002)

DGANS:robustness image steganography model based on double GAN

Leqing ZHU¹,Yu GUO¹,Lingqiang MO¹,Daxing ZHANG²

¹ School of Computer and Information Engineering,Zhejiang Gongshang University,Hangzhou 310018,China
² School of Computer Science and Technology,Hangzhou Dianzi University,Hangzhou 310018,China

Revised:2019-12-05 Online:2020-01-25 Published:2020-02-11
Supported by:
The National Natural Science Foundation of China(61572160);The Natural Science Foundation of Zhejiang Province(LY20F020002)

摘要/Abstract

摘要：

深度卷积神经网络可有效地应用于大容量图像信息隐写，然而其稳健性研究却鲜有报道。双重生成式对抗网络（DGANS）模型对深度学习框架应用于图像隐写时，针对小幅度几何变换攻击进行了优化设计，从而提高模型的稳健性。DGANS由2个串联的生成式对抗网络构成，可将灰度图像隐藏到相同大小的彩色或灰度图像中并还原。通过对生成的含密图像进行数据增强并进一步强化训练提取网络，使提取网络对输入图像的几何变换具有适应性。实验结果表明，DGAN不仅可以实现高容量的图像信息隐写，而且可以对抗一定范围内的几何攻击，比同类模型有更好的稳健性。

关键词: 图像隐写, 稳健性, 双重生成式对抗网络, 深度学习

Abstract:

Deep convolutional neural networks can be effectively applied to large-capacity image steganography,but the research on their robustness is rarely reported.The DGANS (double-GAN-based steganography) applies the deep learning framework in image steganography,which is optimized to resist small geometric distortions so as to improve the model’s robustness.DGANS is made up of two consecutive generative adversarial networks that can hide a grayscale image into another color or grayscale image of the same size and can restore it later.The generated stego-images are augmented and used to further train and strengthen the reveal network so as to make it adaptive to small geometric distortion of input images.Experimental results suggest that DGANS can not only realize high-capacity image steganography,but also can resist geometric attacks within certain range,which demonstrates better robustness than similar models.

Key words: image steganography, robustness, double GAN, deep learning

中图分类号:

TP391

竺乐庆,郭钰,莫凌强,张大兴. DGANS：基于双重生成式对抗网络的稳健图像隐写模型[J]. 通信学报, 2020, 41(1): 125-133.

Leqing ZHU,Yu GUO,Lingqiang MO,Daxing ZHANG. DGANS:robustness image steganography model based on double GAN[J]. Journal on Communications, 2020, 41(1): 125-133.

图/表 16

图1

图2

表1

表2

表3

图3

表4

图4

表5

图5

表6

图6

表7

图7

表8

图8

参考文献 23

[1]	沈昌祥, 张焕国, 冯登国 ,等. 信息安全综述[J]. 中国科学(信息科学), 2007,37(1): 129-150.
	SHEN C X , ZHANG H G , FENG D G ,et al. Survey on information security[J]. Science in China Series (Information Sciences), 2007,37(1): 129-150.
[2]	王向阳, 杨红颖 . DCT域自适应彩色图像二维数字水印算法研究[J]. 计算机辅助设计与图形学学报, 2004,16(2): 243-247.
	WANG X Y , YANG H Y . Adaptive 2-D color image watermarking based on DCT[J]. Journal of Computer-Aided Design and Computer Graphics, 2004,16(2): 243-247.
[3]	王向阳, 杨红颖 . 基于视觉掩蔽特性的小波域彩色数字水印技术[J]. 计算机辅助设计与图形学学报, 2004,16(9): 1240-1243.
	WANG X Y , YANG H Y . Color digital watermarking based on integer lifting wavelet transform and visual masking[J]. Journal of Computer-Aided Design and Computer Graphics, 2004,16(9): 1240-1243.
[4]	PEVNY T , FILLER T , BAS P . Using high~dimensional image models to perform highly undetectable steganography[C]// International Workshop on Information Hiding. Springer, 2010: 161-177.
[5]	HOLUB V , FRIDRICH J , DENEMARK T . Universal distortion function for steganography in an arbitrary domain[J]. EURASIP Journal on Information Security, 2014,1(1):1.
[6]	HOLUB V , FRIDRICH J . Designing steganographic distortion using directional filters[C]// IEEE International Workshop on Information Forensics ＆ Security. IEEE, 2012: 234-239.
[7]	SHI H C , DONG J , WANG W ,et al. SSGAN:secure steganography based on generative adversarial networks[C]// 18th Pacific-Rim Conference on Multimedia. Springer, 2017: 534-544.
[8]	ARJOVSKY M , CHINTALA S , BOTTOU L . Wasserstein GAN[J]. arXiv Preprint,arXiv:1701.07875, 2017: 1-32.
[9]	HAYES J , DANEZIS G . Ste-GAN-ography:generating steganographic images via adversarial training[J]. arXiv Preprint,arXiv:170300371v2, 2017: 1-9.
[10]	REHMAN A U , RAHIM R , NADEEM S ,et al. End-to-end trained CNN encode-decoder networks for image steganography[J]. arXiv Preprint,arXiv:1711.07201, 2017: 1-5.
[11]	BALUJA S , . Hiding images in plain sight:deep steganography[C]// Advances in Neural Information Processing Systems. 2017:
[12]	CHU C , ZHMOGINOV A , SANDLER M . CycleGAN,a master of steganography[C]// Thirty-first Conference on Neural Information Processing Systems. 2017: 1-6.
[13]	TANG W , TAN S , LI B ,et al. Automatic steganographic distortion learning using a generative adversarial network[J]. IEEE Signal Processing Letters, 2017,24(10): 1547-1551.
[14]	ZHANG R , DONG S Q , LIU J Y . Invisible steganography via generative adversarial networks[J]. Multimedia Tools and Applications, 2019,78(7): 8559-8575.
[15]	WU P , YANG Y , LI X . StegNet:MEGA image steganography capacity with deep convolutional network[J]. Future Internet, 2018,10(6): 54-68.
[16]	DUAN X T , JIA K , LI B X ,et al. Reversible image steganography scheme based on a U-Net structure[J]. IEEE Access, 2019,7(1): 9314-9323.
[17]	XU G , . Deep convolutional neural network to detect J-UNIWARD[C]// The 5th ACM Workshop on Information Hiding and Multimedia Security. 2017: 67-73.
[18]	SZEGEDY C , VANHOUCKE V , IOFFE S ,et al. Rethinking the inception architecture for computer vision[C]// IEEE Conference on Computer Vision and Pattern Recognition. 2016: 2818-2826.
[19]	IOFFE S , SZEGEDY C . Batch normalization:accelerating deep network training by reducing internal covariate shift[J]. arXiv Preprint,arXiv:1502,03167,2015.
[20]	GOODFELLOW I , POUGET-ABADIE J , MIRZA M ,et al. Generative adversarial nets[C]// International Conference on Neural Information Processing Systems. 2014: 2672-2680.
[21]	WANG Z , BOVIK A , SHEIKH H R ,et al. Image quality assessment:from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004,13(4): 600-612.
[22]	EVERINGHAM M . The PASCAL visual object classes challenge(VOC2007)Results[J]. Lecture Notes in Computer Science, 2007,111(1): 98-136.
[23]	YE J , NI J , YI Y . Deep learning hierarchical representations for image steganalysis[J]. IEEE Transactions on Information Forensics and Security, 2017,12(11): 2545-2557.

层结构	输入尺寸	输出尺寸
3×3×16卷积+BN+LeakyReLU	256×256×2	256×256×16
Inception模块	256×256×16	256×256×32
Inception模块	256×256×32	256×256×64
Inception模块	256×256×64	256×256×128
Inception模块	256×256×128	256×256×256
Inception模块	256×256×256	256×256×128
Inception模块	256×256×128	256×256×64
Inception模块	256×256×64	256×256×32
3×3×16卷积+BN+LeakyReLU	256×256×32	256×256×16
1×1×1卷积+Tanh	256×256×16	256×256×1

层结构	输入尺寸	输出尺寸
3×3×16卷积+BN+LeakyReLU	256×256×2	256×256×16
3×3×32卷积+BN+LeakyReLU	256×256×16	256×256×32
3×3×64卷积+BN+LeakyReLU	256×256×32	256×256×64
Inception模块	256×256×64	256×256×128
Inception模块	256×256×128	256×256×64
Inception模块	256×256×64	256×256×32
3×3×16卷积+BN+LeakyReLU	256×256×32	256×256×16
1×1×1卷积+Sigmoid	256×256×16	256×256×1

层结构	输入尺寸		输出尺寸
层结构	XuNet₁	XuNet₂	输出尺寸
3×3卷积+BN+	256×256×3	256×256×1	128×128×8
LeakyReLU+Avgpool
3×3卷积+BN+	128×128×8		64×64×16
LeakyReLU+Avgpool
1×1卷积+BN	64×64×16		32×32×32
1×1卷积+BN	32×32×32		16×16×64
3×3卷积+BN+LeakyReLU	16×16×64		8×8×128
空域金字塔池化	8×8×128		1×2 688
2 688×128全连接层	1×2688		1×128
128×2全连接层	1×128		1×2

模型	秘密图像尺寸	封面图像尺寸	容量/bpp
HUGO^[4]	32×32	32×32	0.1~0.4
SteGANography^[9]	32×32	50×50	0.1~0.4
SSGAN^[7]	64×64	204×204	0.4
S-UNIWARD^[5]	64×64	64×64	0.4
ISGAN ^[14]	256×256	256×256	8
Rehman等^[10]	300×300	300×300	8
DGANS	256×256	256×256	8

测试指标	取值
编码器PSNR	24.002 8
解码器 PSNR	24.691 0
编码器 SSIM	0.907 2
解码器SSIM	0.903 5
区分器LOSS	0.659 7

DGANS：基于双重生成式对抗网络的稳健图像隐写模型

DGANS:robustness image steganography model based on double GAN

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 23

相关文章 15

Metrics

推荐阅读 0

模型	旋转5°	旋转2°
Rehman等^[10]	0.338 5	0.447 3
ISGAN^[14]	0.358 0	0.641 7
DGANS	0.685 4	0.789 1

模型	水平平移/像素		垂直平移/像素		随机平移0~10个像素		水平垂直随机平移0~10个像素
模型	2	5	2	5	水平	垂直	水平垂直随机平移0~10个像素
Rehman等^[10]	0.544 5	0.407 5	0.538 4	0.404 5	0.404 6	0.406 0	0.322 1
ISGAN^[14]	0.650 4	0.630 7	0.660 9	0.650 5	0.389 9	0.405 7	0.297 7
DGANS	0.792 0	0.783 1	0.803 8	0.785 8	0.575 2	0.540 9	0.526 3

模型	随机缩放80%~120%
Rehman等^[10]	0.791 8
ISGAN^[14]	0.890 1
DGANS	0.929 5

[1]	陈东昱, 陈华, 范丽敏, 付一方, 王舰. 基于深度学习的随机性检验策略研究[J]. 通信学报, 2023, 44(6): 23-33.
[2]	李荣鹏, 汪丙炎, 张宏纲, 赵志峰. 知识增强的语义通信接收端设计[J]. 通信学报, 2023, 44(6): 70-76.
[3]	马帅, 裴科, 祁华艳, 李航, 曹雯, 王洪梅, 熊海良, 李世银. 基于生成模型的地磁室内高精度定位算法研究[J]. 通信学报, 2023, 44(6): 211-222.
[4]	杨洁, 董标, 付雪, 王禹, 桂冠. 基于轻量化分布式学习的自动调制分类方法[J]. 通信学报, 2022, 43(7): 134-142.
[5]	杨秀璋, 彭国军, 李子川, 吕杨琦, 刘思德, 李晨光. 基于Bert和BiLSTM-CRF的APT攻击实体识别及对齐研究[J]. 通信学报, 2022, 43(6): 58-70.
[6]	王晓丹, 李京泰, 宋亚飞. DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法[J]. 通信学报, 2022, 43(5): 68-81.
[7]	廖勇, 王世义. 高速移动环境下基于RM-Net的大规模MIMO CSI反馈算法[J]. 通信学报, 2022, 43(5): 166-176.
[8]	廖育荣, 王海宁, 林存宝, 李阳, 方宇强, 倪淑燕. 基于深度学习的光学遥感图像目标检测研究进展[J]. 通信学报, 2022, 43(5): 190-203.
[9]	赵增华, 童跃凡, 崔佳洋. 基于域自适应的Wi-Fi指纹设备无关室内定位模型[J]. 通信学报, 2022, 43(4): 143-153.
[10]	廖勇, 程港, 李玉杰. 基于深度展开的大规模MIMO系统CSI反馈算法[J]. 通信学报, 2022, 43(12): 77-88.
[11]	段雪源, 付钰, 王坤, 李彬. 基于简单统计特征的LDoS攻击检测方法[J]. 通信学报, 2022, 43(11): 53-64.
[12]	霍俊彦, 邱瑞鹏, 马彦卓, 杨付正. 基于最邻近帧质量增强的视频编码参考帧列表优化算法[J]. 通信学报, 2022, 43(11): 136-147.
[13]	康海燕, 冀源蕊. 基于本地化差分隐私的联邦学习方法研究[J]. 通信学报, 2022, 43(10): 94-105.
[14]	张红霞, 王琪, 王登岳, 王奔. 基于深度学习的区块链蜜罐陷阱合约检测[J]. 通信学报, 2022, 43(1): 194-202.
[15]	晏燕, 丛一鸣, Adnan Mahmood, 盛权政. 基于深度学习的位置大数据统计发布与隐私保护方法[J]. 通信学报, 2022, 43(1): 203-216.