在高质量JPEG图像中实现鲁棒隐写技术时处理向下压缩问题

《Journal of Visual Communication and Image Representation》：Dealing with downward recompression for robust steganography in high quality JPEG images

高分辨率移动摄影图片因压缩导致隐藏信息失效，本研究提出DRAS框架通过预压缩嵌入数据，结合量化表分析和预测信道模型，实现单次通过嵌入且误差率降低87%。

　　

Rakesh Kumar | Savina Bansal | RK Bansal

电子与通信工程系，GZSCCET-MRSPTU，Bathinda，Punjab，印度

摘要

高分辨率移动摄影的普及导致大量高质量的JPEG图像在网络上共享。然而，为了优化带宽，平台通常会进行向下压缩（例如，从QF 95压缩到QF 75）。这会导致严重的图像失真，并减少嵌入容量，使得传统的隐写技术失效。当前的鲁棒解决方案依赖于缓慢的迭代模拟或复杂的纠错码。为了填补这一空白，我们提出了DRAS，这是一个新颖的框架，它在压缩之前嵌入数据，从而在不增加迭代开销的情况下确保数据的可靠性。DRAS引入了RoLoS（鲁棒位置选择）技术，通过量化表分析来解析识别稳定的系数，并结合了CARE（内容自适应鲁棒嵌入）算法，该算法将预测信道建模与Syndrome-Trellis码结合使用。实验表明，与最先进的迭代方案相比，DRAS可以将消息提取错误率降低87%，同时速度提高了一个数量级。在实际平台上的部署测试进一步证实了其可行性。

引言

隐写技术是在数字媒体中隐藏信息的技术，在安全通信和数据认证中发挥着关键作用。在当代数字环境中，图像已成为信息交换的主要媒介。最新统计数据显示，仅在2024年，就拍摄了大约1.93万亿张照片，其中近94%是由智能手机拍摄的。像WhatsApp、Facebook和LinkedIn这样的社交网络平台（SNPs）是这些大量视觉数据的主要传输渠道[1]、[2]。然而，这些平台本质上是具有损耗的通信渠道。为了优化服务器存储和最小化传输带宽，SNPs通常会对上传的图像进行处理，这给传统的隐写方法带来了挑战。传统的自适应内容方案（如使用Syndrome-Trellis码（STCs）和UNIWARD [3]、UERD [4]、GUED [5]、U2ED [6]、DDJAD [7]等失真函数的方案）是在无损信道的假设下运行的。正如许多研究[8]、[9]、[10]、[11]所证明的，这些方案本质上很脆弱；即使是轻微的压缩噪声也可能导致解码失败，从而使隐藏的信息无法恢复。

现代捕捉设备的高保真能力与共享平台的限制之间存在一个关键且未得到充分解决的矛盾。如表1所示，现代智能手机通常以极高的质量因子（例如QF > 95）保存图像，以保留视觉细节。相比之下，SNPs在上传时会对这些图像进行大幅压缩（例如Facebook的QF为75），以节省带宽。我们将这种从高到低的转换称为向下压缩（DR）。这一过程在图1的一般隐写模型中有所体现，它引入了严重的量化误差，并通过将大量高频AC系数量化为零而导致“容量瓶颈”。由于隐写算法通常避免在零值系数中嵌入数据以保持文件大小和统计特性，这大大缩小了可用的嵌入范围，使得消息恢复变得极其困难。

为了解决这些由信道引起的缺陷，鲁棒隐写技术领域取得了显著进展。早期的工作集中在识别不变域[12]或使用Dither调制（DM）技术（如DMAS [13]、GMAS [14]和DMMR [15]）来实现对标准JPEG压缩的鲁棒性。同时，也有研究探索了系数符号的稳定性，例如通过翻转非零系数的符号来进行数据嵌入的Sign Steganography（SS）[16]、[17]、[18]方法。尽管这些方法在“匹配压缩”（MR）场景下取得了成功（即压缩后的质量因子与原始图像匹配），但在更激进的向下压缩处理下往往表现不佳。此外，现有的解决方案通常依赖于复杂的纠错码（ECCs）[8]、[19]、[20]、[13]、[14]或迭代预处理框架[21]、[22]、[23]、[24]，这些方法会导致有效载荷容量显著减少或计算复杂性增加。

最近针对向下压缩场景的具体尝试仍然有限。Tao等人[25]提出了一个早期的鲁棒性模型，但该模型难以处理复杂的舍入误差问题。Kumar等人[26]提出使用基于量化表的不变特征来实现鲁棒性，但鲁棒性高度依赖于作为辅助信息的共享嵌入位置图。目前，解决向下压缩场景的最先进方法是PMAS [27]，它采用了一种反应式的迭代策略。PMAS在发送者设备上反复模拟信道压缩，以在最终传输前检测和纠正错误。虽然这种方法在提高鲁棒性方面有效，但其高计算复杂性使其不适合实时移动应用。此外，它依赖于精确的调制，而这在现实世界的SNPs中可能受到专有编码器的干扰。

为了在不增加辅助信息或迭代模拟开销的情况下，实现高质量捕捉与低质量共享之间的平衡，我们提出了DRAS（向下鲁棒自适应隐写）。与通过迭代模拟错误的反应式方法不同，DRAS采用了一种主动和分析性的设计理念。它通过分析发送者的高质量覆盖量化表与预测的SNP信道量化表之间的关系，数学上预测系数的稳定性。该框架在上传之前运行，基于两个核心创新：RoLoS（鲁棒位置选择），它通过分析确定在特定高到低质量转换过程中保持稳定的系数；以及CARE（内容自适应鲁棒嵌入），它将预测信道建模与STCs结合使用。通过数学上将嵌入强制到安全区域并相应地调整修改，DRAS消除了对辅助信息、复杂纠错码和迭代处理的需求。

本工作的主要贡献总结如下：

• •
  分析稳定性预测：我们引入了RoLoS算法，该算法利用量化步长比来确定数学上稳定的嵌入区域。这使得发送者和接收者无需单独的辅助通道即可同步到稳定的位置。
• •
  单次嵌入：通过预测性的单次CARE算法，DRAS在计算速度上提高了一个数量级，因为不需要进行迭代信道模拟。
• •
  卓越的鲁棒性：广泛的实验表明，与最先进的PMAS方案相比，DRAS将消息提取错误率降低了约87%，即使在激进的向下压缩下也能保持高可靠性。
• •
  实际应用验证：该方案在包括WhatsApp、X和LinkedIn在内的主要平台上进行了实际部署测试，证实了其在实际“黑盒”环境中的可行性。

本文的其余部分结构如下。第2节详细介绍了JPEG压缩/解压缩的初步知识及其在向下压缩场景中的相关挑战。第3节介绍了提出的DRAS方法，详细阐述了其关键设计原则和创新点。第4节概述了实验设置和使用的性能指标。第5节提供了全面的实验评估，包括与最先进方法的比较分析。最后，第6节总结了本文的贡献并提出了未来研究方向。

符号说明

符号说明

矩阵和向量用粗体字母表示，而单个元素用斜体小写字母表示。覆盖图像和信道量化表分别表示为$Q_C$和$Q_{Ch}$。为简洁起见，我们假设覆盖图像为灰度图像，其尺寸是8的倍数。关键符号的总结见表2。

向下压缩信道模型

JPEG压缩是一种基于块离散余弦变换（DCT）[28]的有损过程。编码流程将空间像素

概述

为了克服反应式方法的局限性，我们提出了向下鲁棒自适应隐写（DRAS）框架。DRAS采用了一种主动式的设计理念：它不是在错误发生后进行模拟和修复，而是通过识别对信道量化数学上不变的嵌入位置来预防错误。该框架采用单次处理，包括两个主要算法：RoLoS（鲁棒位置选择），它通过分析确定稳定的系数；以及CARE（内容自适应鲁棒嵌入），它

实验设置和指标

本节详细介绍了用于评估和验证所提出的DRAS方案的方法论，包括图像数据集、模拟参数、比较框架和性能指标。

性能评估和比较

本节对所提出的DRAS方案进行了全面的实验评估。我们根据第4.2节定义的指标分析了其性能，并将其与基线变体（用于评估RoLoS的影响）和最先进的PMAS方案[27]进行了比较。评估涵盖了在不同有效载荷和向下压缩场景（Q95到Q85、Q80、Q75）下的鲁棒性、不可检测性、不可感知性和计算时间。

结论

本文解决了JPEG隐写中向下压缩（DR）这一关键问题，这是社交网络平台上常见的现象，其中高质量图像为了存储和带宽效率而被大幅压缩。我们证明了现有的鲁棒方案（依赖于反应式迭代模拟或复杂的纠错码）往往不适合这种“容量瓶颈”和信道的舍入不稳定性。为了克服这些限制，我们

CRediT作者贡献声明

Rakesh Kumar：撰写——原始草稿、可视化、方法论、概念化。Savina Bansal：撰写——审稿与编辑、验证、监督。RK Bansal：撰写——审稿与编辑、验证、监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。