Coverless Image Steganography Based on Generative Adversarial Network

基于生成对抗网络的无载体图像隐写技术

摘要

• 传统图像隐写技术：修改/嵌入到载体图像来传输秘密信息—>隐写工具很容易检测到载体图像的失真—>秘密信息的泄露
• 无载体图像隐写技术：不修改载体图像就可以隐藏秘密信息。但存在容量低，质量差等问题。

本文提出了一种基于生成对抗网络的无载体图像隐写技术，通过将秘密信息编码到载体图像中，用对抗来优化隐写图像的质量，同时很好的避开隐写分析工具的检测。

介绍

传统的隐写技术容易被隐写分析工具检测出来，因此，2015年研究人员提出了无载体图像隐写术，它通过秘密信息的映射来实现，而不再对载体图像进行修改，因此称之为“无载体”。即便图像被截获，不知道映射规则，也很难检测出秘密信息。

目前，无载体图像隐写技术主要分为两类：基于映射规则的方法和基于合成的方法。

基于实例的纹理合成算法是当前纹理合成算法的一个热点，它通过对原始图像进行重采样来合成新的纹理图像。新图像大小可以是任意的，且局部外观与原始图像相似

随着深度学习的出现，基于深度学习的无载体技术逐渐发展起来，但是CNN需要空见相关性很强的图像，因此不能应用于任意数据。GANs的出现为图像隐写提供了新的途径。

我们提出了一种基于CNN和GAN的实现无载体隐写的方案：

• 提出了基于GAN的隐写方法，相对有效负载为2.36位/像素
• 提出了一种基于深度学习的隐写算法的图像质量评估方法

方法

一般而言，隐写术只需要两个操作：编码和解码，由三个模块组成：

1. 编码器网络：接收无载体图像和二进制秘密信息串，生成隐写图像。
2. 解码器网络：获得隐写图像通过解码器网络尝试恢复秘密信息。
3. 鉴别器网络：用来评估矢量和隐写图像的质量。

编码器网络

首先将大小为3WH的载体图像和秘密信息M（DepthWH）输入到编码器网络中。M是DepthWH的数据张量。Depth是我们试图在载体图像的每个像素中隐藏的位数。W×H代表封面图像的大小。编码后的图像在视觉上应该与封面图像相似。我们对编码器网络进行两个操作：

• 用卷积块Conv对封面图像C进行处理，得到尺寸为（32×W×H）的张量a
  
• 将消息M与a连接，然后用卷积块Conv处理张量b，b的大小为（32×W×H）
  
  然后我们建立了两个编码器网络：
• 基本模型：我们将两个卷积块Conv应用于张量b，生成隐写图像S。形式上：
  
• 密集模型：我们使用跳跃连接[24]将前一个密集块生成的特征 f 映射到后一个密集块生成的特征 l ，如图1所示。我们假设使用跳转连接可以提高嵌入率。正式地：
  

解码器网络

解码器网络G使用由编码器网络ε生成的隐写图像S。解码网络生成M0=G（S），并根据Reed-Solomon算法恢复秘密信息张量M。

鉴别器网络

为了对编码器ε的性能提供反馈并生成更真实的图像，我们引入了一个鉴别器网络D，它可以区分隐写图像S和载体图像C。

XuNet是一种基于CNN的图像隐写分析软件。为了改进统计建模：

• 在第一个卷积层中嵌入绝对激活（ABS）
• 在网络浅层应用TanH激活函数以防止过度拟合
• 在每个非线性激活层前添加批处理归一化（BN）

这种设计良好的CNN在隐写分析中具有良好的检测性能。据我们所知，它是性能最好的基于JPEG的数据驱动CNN隐写分析器。因此，我们设计了基于XuNet的隐写分析器，并对其进行了调整以适应我们的模型。

鉴别器网络D由五个卷积块和SPP块以及两个完全连接的标量输出层组成。为了生成标量分数，我们在卷积层的输出上使用了自适应均值池。此外，我们使用空间金字塔池（SPP）模块来代替全局平均池层。空间金字塔池（SPP）模块[22]及其变体在目标检测和语义分割模型中发挥着巨大的作用。它突破了全连通层的限制，使得任何尺寸的图像都可以输入到下一个完全连通的层。同时，SPP模块可以从不同的接受域中提取更多的特征，从而提高性能。我们的隐写分析器的详细架构如表1所示。

目标函数

c被称为载体图像C中的一个，可以用概率分布函数P来表示，我们让载体图像c跟随P，并嵌入秘密消息M，统计散度（KL）也可由公式（7）中的概率散度（KL）来量化，

KL散度和JS散度是非常基本的量，它们建立了最佳的概率隐写分析。最初GAN的目标是最小化JS散度或KL散度[31]。带噪声z的编码器网络ε尝试生成与覆盖图像C相似的图像，鉴别器网络D接收生成的图像并判断它们是真样本还是假样本。鉴别器网络D和编码器140网络ε使用代价函数（9）来玩minimax博弈。它训练D使训练样本和ε样本的正确标签分配概率最大化。因此，GAN可以用来解决隐写问题：

编码器解码器损失：

为了优化编解码网络，本部分联合优化了三个损耗函数

1. 采用交叉熵损失函数来评价译码器网络的译码精度，即：
   
2. 利用均方误差来分析隐写图像与封面图像的相似性，其中W是图像的宽度，H是图像的长度，也就是说：
   
3. 以及使用鉴别器的隐写图像的真实性，即
   

综上：所以，训练的目标是：

结构相似性指数

Baluja[14]使用封面图像像素和生成的图像像素之间的均方误差（MSE）作为损失函数。然而，MSE只对两幅图像对应像素的较大误差进行惩罚，而忽略了图像的底层结构。人类视觉系统（HVS）对无文本区域的亮度和颜色的变化更为敏感，因此在损失函数中引入了结构相似性指数SSIM及其变体MS-SSIM[29]。

SSIM指标从亮度δ、对比度e和结构ρ三个方面对相似性度量任务进行比较。两幅图像的相似度分别用公式（14）、（15）和（16）来衡量，其中µx和µy是图像x和图像y的像素平均值，θx和θy是图像x和图像y的像素偏差，θxy是图像x和y的标准方差。此外，c1、c2和c3是防止分母移动的三个常数使公式变得毫无意义。SSIM的一般计算方法如（17）所示，其中l>0，m>0，n>0，它们是用来调整三个分量相对重要性的参数。SSIM索引的值范围为[0,1]。索引越高，两幅图像越相似。因此，隐写GAN使用1-SSIM（x，y）作为损失函数来度量两幅图像之间的差异。MS-SSIM[29]是SSIM索引的增强变体，因此它还引入了隐写术GAN的损耗函数。

考虑到像素值和结构的差异，我们将MSE、SSIM和MS-SSIM结合起来。因此，其混合损耗函数LD为：

其中c代表封面图像，c0代表隐写图像。M是秘密信息，m0是从隐写图像中提取出来的。α和β是衡量隐写图像和覆盖图像质量的超级参数。我们将损失函数的α和β分别设为0.5、0.3