具有迂回特征收集机制的生成对抗网络，用于图像隐写成本学习

《Neurocomputing》：Generative adversarial network with circuitous feature collection for image steganographic cost learning

基于生成对抗网络（GAN）的图像隐写算法研究，提出CFC-GAN通过电路式特征收集路径优化生成器结构，结合攻击损失函数提升概率图生成精度，有效缓解U-Net导致的语义间隙问题，实验表明在BOWS2等数据集上抗隐写性能优于现有方法。

　　近年来，图像隐写术作为一种隐蔽信息传输的技术，受到了广泛的关注。其核心目标是在尽可能不改变载体图像统计特性的情况下，将秘密信息嵌入到图像中，从而实现隐蔽通信的目的。传统隐写术通常依赖于人工设计的嵌入策略，例如选择复杂的纹理区域进行信息嵌入，以减少图像失真并提高安全性。然而，随着深度学习技术的发展，越来越多的隐写术开始采用神经网络模型，以实现更高效的嵌入和更强大的抗隐写分析能力。

现有的隐写术研究中，生成对抗网络（GAN）因其在图像生成和特征学习方面的卓越表现，被广泛应用于隐写术的优化。其中，许多研究使用U-Net作为生成器的结构，通过编码-解码机制实现图像的特征重建。然而，U-Net的长跳连接结构在某些情况下会导致语义差距，特别是在特征表示过程中，编码和解码阶段的特征差异过大，从而影响生成图像的质量，导致隐写图像的边界区域出现不自然的模糊现象。这种模糊不仅降低了图像的视觉质量，还可能削弱隐写术的抗检测能力。

针对这一问题，本文提出了一种新的GAN结构，即电路式特征收集GAN（CFC-GAN）。该方法通过改进生成器的特征重建路径，采用一种间接的特征收集机制，逐步丰富解码阶段的特征表示，从而提升局部细节的还原能力，生成更加精确的概率映射。同时，本文还引入了一种攻击损失函数，用于优化生成器的损失函数，进一步提高生成器的参数更新效率，从而增强其性能。

在传统隐写术中，嵌入信息的位置选择至关重要。通常，图像的纹理区域比平滑区域更容易隐藏信息，因为这些区域的像素变化更为复杂，不易被察觉。因此，许多算法通过自动识别图像中的纹理区域，提高隐写信息的隐蔽性。然而，随着隐写分析技术的进步，攻击者可以通过分析图像的统计特性，识别出隐藏的信息。传统的隐写分析方法主要依赖于高维统计特征的提取，如空间丰富模型（SRM）和maxSRMd2等，这些方法虽然在一定程度上提高了检测的准确性，但在面对复杂的隐写算法时，其效果有限。

近年来，基于卷积神经网络（CNN）的隐写分析方法取得了显著进展。这些方法通过自动学习判别性特征，提高了检测的准确性和实用性。例如，XuNet、Yedroudj-Net、SRNet和CovNet等模型在隐写分析领域表现出色，能够有效识别出隐藏的信息。其中，CovNet因其较高的检测精度和较强的泛化能力，被广泛应用于隐写术的评估。然而，尽管这些方法在检测能力上有所提升，它们在实际应用中仍面临一些挑战，特别是在处理高容量信息嵌入时，容易产生明显的图像失真，从而降低隐写术的安全性。

为了进一步提高隐写术的抗检测能力，一些研究开始采用对抗性攻击的方法，通过调整初始嵌入成本，优化信息嵌入的过程。例如，Adversarial attack-based algorithms利用预训练的CNN隐写分析器的梯度信息，修改初始嵌入成本，以实现更隐蔽的信息嵌入。然而，这些方法仍然依赖于传统的隐写术算法和预训练的隐写分析器，限制了其在复杂场景下的应用能力。

相比之下，基于GAN的隐写术算法通过生成器和判别器之间的对抗过程，实现了对嵌入成本的自动学习，从而摆脱了传统隐写术的依赖。例如，Tang等人在2017年提出的ASDL-GAN是第一个实现自动嵌入成本学习的隐写术模型。随后，Yang等人提出了UT-GAN，通过优化生成器和嵌入模拟器，提高了隐写术的安全性。Wu等人则通过将多特征图集成到生成器的U-Net结构中，提升了嵌入概率图的生成质量。Li等人提出的CF-UT-GAN则通过生成器编码和解码路径之间的交叉反馈通道，降低了嵌入成本，提高了信息嵌入的隐蔽性。

然而，尽管这些基于GAN的隐写术模型在性能上有所提升，它们仍然存在一些局限性。例如，大多数模型使用XuNet作为判别器，而XuNet在检测能力上相对较弱，导致整体模型的性能受到限制。2020年，Huang等人提出的Steg-GMAN模型通过采用双隐写分析器作为判别器，显著提升了模型的抗检测能力。尽管该模型在实验中表现出色，但其生成器仍然采用传统的U-Net结构，无法有效解决特征表示过程中产生的语义差距问题。

为了解决这一问题，本文提出了一种新的GAN结构，即CFC-GAN。该方法通过改进生成器的结构，采用一种间接的特征收集机制，逐步丰富解码阶段的特征表示，从而提升局部细节的还原能力，生成更加精确的概率映射。同时，本文还引入了一种攻击损失函数，用于优化生成器的损失函数，进一步提高生成器的参数更新效率，从而增强其性能。

在实验部分，本文选择了BOSSBase、BOWS2和ALASKA三个数据集进行测试。其中，BOSSBase数据集包含10,000张图像，通过将每张图像垂直和水平分割，生成40,000张训练图像。BOWS2数据集同样包含10,000张图像，通过调整图像尺寸，用于训练和测试。ALASKA数据集则用于评估模型在不同场景下的表现。实验结果表明，CFC-GAN在抗隐写分析能力上优于现有的GAN-based隐写术算法，特别是在使用CovNet隐写分析器时，其检测错误率分别比Steg-GMAN、UT-GAN和HILL提高了2.13%、7.62%和11.75%。此外，通过大量的消融实验，进一步验证了本文提出的渐进式特征补偿模块和攻击损失函数的有效性。

在理论分析方面，本文探讨了GAN在隐写术中的应用优势和局限性。传统的隐写术算法在处理高容量信息嵌入时，容易产生明显的图像失真，而基于GAN的算法通过生成器和判别器的对抗过程，能够自动学习嵌入成本，从而提高信息嵌入的隐蔽性。然而，现有的GAN-based隐写术算法在生成器结构上仍存在一定的问题，特别是在特征表示过程中，编码和解码阶段的特征差异较大，导致生成图像的质量下降，进而影响隐写术的安全性。

为了解决这一问题，本文提出了一种新的生成器结构，即电路式特征收集生成器（CFC-Generator）。该结构通过采用一种间接的特征收集机制，在特征重建过程中逐步丰富解码阶段的特征表示，从而提升局部细节的还原能力。同时，本文还引入了一种攻击损失函数，用于优化生成器的损失函数，进一步提高生成器的参数更新效率，从而增强其性能。

在实现过程中，本文首先对生成器的结构进行了改进。传统的U-Net结构在特征重建过程中，通过直接的跳连接将不同层次的特征进行融合，但这种方式可能导致特征空间的不匹配，从而影响生成图像的质量。相比之下，CFC-Generator采用一种电路式特征收集机制，通过逐步补偿不同层次的特征，提升解码阶段的特征表示能力，从而生成更加精确的概率映射。此外，本文还对生成器的损失函数进行了优化，引入了攻击损失函数，以进一步提高生成器的性能。

在实验部分，本文对CFC-GAN进行了多方面的测试。实验结果表明，CFC-GAN在抗隐写分析能力上优于现有的GAN-based隐写术算法。特别是在使用CovNet隐写分析器时，其检测错误率分别比Steg-GMAN、UT-GAN和HILL提高了2.13%、7.62%和11.75%。这些结果表明，CFC-GAN在提高隐写术安全性方面具有显著优势。

此外，本文还进行了大量的消融实验，以验证所提出的方法的有效性。消融实验结果显示，渐进式特征补偿模块和攻击损失函数在提升模型性能方面发挥了重要作用。这些实验不仅验证了所提出方法的可行性，还为进一步优化隐写术提供了理论依据。

综上所述，本文提出了一种新的GAN-based隐写术算法，即CFC-GAN。该方法通过改进生成器的结构和损失函数，提高了隐写术的安全性和隐蔽性。实验结果表明，CFC-GAN在抗隐写分析能力上优于现有的算法，特别是在使用CovNet隐写分析器时，其检测错误率显著提高。这些结果表明，CFC-GAN在隐写术领域具有重要的应用价值。