一种结合生成式和映射技术的无遮盖图像隐写方法,适用于全身人像

《Neurocomputing》:A hybrid generative and mapping method for coverless image steganography with full-body human images

【字体: 大 中 小 】 时间:2026年05月07日 来源:Neurocomputing 6.5

编辑推荐:

  胡波 | 肖艳辉 | 邓启遥 | 华为天 中国人民公安大学信息网络安全学院,北京,100000 摘要 无封面隐写技术能够在不修改封面图片的情况下实现秘密通信,但现有方法往往在隐写容量和鲁棒性之间难以找到平衡。基于映射的方法具有较高的鲁棒性,但其容量有限,并且依赖于大

  胡波 | 肖艳辉 | 邓启遥 | 华为天
中国人民公安大学信息网络安全学院,北京,100000

摘要
无封面隐写技术能够在不修改封面图片的情况下实现秘密通信,但现有方法往往在隐写容量和鲁棒性之间难以找到平衡。基于映射的方法具有较高的鲁棒性,但其容量有限,并且依赖于大规模的预构建数据集;而基于生成的方法虽然容量较大,但在传输过程中容易受到损伤,导致鲁棒性降低。为了解决这些问题,本文提出了一种混合型无封面隐写框架,旨在提高信息容量的同时保持鲁棒性。通过将秘密信息映射到面部特征和身体姿态特征上,构建了一个既鲁棒又可扩展的信息映射空间。此外,还集成了一种可控的图像生成机制,从而摆脱了对大规模数据集的依赖。实验结果表明,该方法显著提升了隐写容量和鲁棒性。最高容量可达28比特,比传统基于映射的无封面方案(典型容量为15比特)提高了86.7%。在容量为24比特时,该方法在32种攻击条件下的平均鲁棒性仍保持在80%以上。在几何攻击下,该方法的表现优于第二佳的基于生成的无封面方法,优势达58.01%。这些结果表明,该方法有效平衡了容量和鲁棒性,适用于复杂传输环境下的实际隐写通信。

引言
隐写技术是一种古老的秘密数据隐藏技术,通过在无害的封面中嵌入信息来实现隐蔽通信。随着信息安全的快速发展以及对数据隐私需求的增加,这种技术重新受到了广泛关注[1]。它在军事和情报领域仍然具有重要价值,同时也有广泛的民用用途,如数字版权保护和私人通信[2]。传统的隐写方案通过修改封面属性(如像素值或频率系数)来传递秘密信息[3]。然而,这些修改会引入统计噪声,容易被基于统计建模或机器学习的隐写分析技术检测出来[4]。为了解决这一问题,无封面隐写技术应运而生[5]。由于避免了对照片进行显式修改,该方法大大减少了嵌入操作带来的统计干扰。近年来,无封面隐写技术受到了越来越多的关注,并被视为实现更安全隐蔽通信的有前景的方向。现有的无封面隐写方法主要分为两类:基于映射的方法和基于生成的方法[6]。
基于映射的方法通常依赖预构建的图像数据库,通过建立图像特征与秘密信息段之间的对应关系来实现通信。虽然这些方法具有较高的鲁棒性,但其容量受到限于需要覆盖整个映射空间的要求,这需要构建大规模、高质量的数据集。随着对容量需求的增加,所需数据集的大小呈指数级增长,给构建成本和实际应用带来了挑战。尽管最近的研究尝试通过分层数据集构建[7]和特征融合策略[8]来缓解这一问题,但对外部数据集的依赖性以及数据集质量和特征冲突带来的固有限制仍未得到解决。
基于生成的方法直接使用生成模型合成隐写图像,具有更高的灵活性和嵌入容量。然而,这些方法在面对实际传输环境中的攻击(尤其是几何攻击)时,鲁棒性较差。即使是轻微的图像变形(如裁剪或旋转)也可能导致提取精度严重下降,从而大大限制了其在实际通信中的可靠性。近年来,为了提高实用性和通信可靠性,研究人员进一步探索了与主流图像格式兼容的框架[9]、基于潜在扩散模型的高效实现[10],以及利用大规模预训练扩散模型的鲁棒系统[11]。尽管这些进展提高了图像质量、格式兼容性和架构稳定性,但在复杂且不可控制的传输条件下保持高鲁棒性仍是一个关键且未解决的问题。

总结
当前无封面隐写研究面临的主要挑战是:基于映射的方法虽然鲁棒性强,但嵌入容量有限且严重依赖于大规模预构建的图像数据集;而基于生成的方法虽然容量较大,但在复杂传输环境中的鲁棒性不足。这种容量、鲁棒性和实用性之间的权衡严重限制了现有方法的实际应用。因此,一个自然的研究问题是:是否有可能设计一种无封面隐写框架,有效缓解这种权衡,在容量、鲁棒性和实用性之间取得更好的平衡,而不依赖于大规模预构建的图像数据集?

受此问题的启发,本文提出了一种混合型无封面隐写框架,将新型映射策略与按需图像生成相结合。核心创新在于一种结构化的映射规则,它将秘密信息同时编码到面部特征和身体姿态中,从而显著扩展了容量。重要的是,这种映射不是从预构建的数据集中选择,而是通过受这些约束指导的可控生成模型来合成隐写图像。具体来说,发送方首先将秘密信息映射到相应的面部特征和身体姿态组合上,然后由生成模型合成符合要求的隐写图像。接收方在接收到图像后,通过应用相同的映射规则提取面部特征和身体姿态关键点来恢复秘密信息。通过将这些鲁棒的语义和结构特征用于信息编码,该方法在抵抗几何变形方面的鲁棒性明显优于现有的基于生成的方法。

本文的主要贡献如下:
1. 提出了一种结合基于生成和基于映射方法的混合型无封面隐写框架。通过将确定性映射规则与按需图像生成相结合,该框架消除了传统基于映射方法对大规模预构建图像数据集的依赖,同时保持了秘密信息的确定性恢复能力,显著提高了无封面图像隐写的实用性和可扩展性。
2. 设计了一种基于面部特征和身体姿态的联合映射机制,以扩展无封面隐写的映射空间。通过将秘密信息映射到高级语义特征(面部特征)和鲁棒的结构特征(身体姿态)上,该方法有效提高了单张图像的隐写容量,同时保持了视觉自然性和语义合理性。
3. 实现了一个实用且可控的图像生成流程,以确保映射规则的有效执行。该流程基于具有姿态控制能力的扩散生成模型,整合了秘密驱动的面部特征提示和身体姿态约束,确保生成的完整身体图像在语义和结构层面严格遵循预定义的映射规则。
4. 大规模实验表明,该方法在隐写容量和鲁棒性之间实现了有效的平衡。与典型的基于映射的无封面方法(容量为15比特)相比,该方案隐写容量提高了86.7%以上。在容量为24比特时,其在32种攻击条件下的平均秘密信息提取精度超过80%。这些结果证实了该混合框架在复杂传输环境中的有效性和稳定性。

本文的其余部分结构如下:第2节回顾相关文献;第3节介绍研究背景;第4节提出研究方法;第5节详细描述实验;第6节总结本文。

**基于生成的无封面隐写技术**
基于生成的无封面隐写技术通过直接生成嵌入了秘密信息的图像来实现隐蔽通信,无需修改现有封面图像。核心过程包括三个步骤:(1)将秘密信息映射到生成模型的输入空间,通常表示为噪声向量或潜在表示;(2)利用训练有素的生成模型将编码信息转换为逼真的隐写图像,确保高视觉效果。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号