基于U-Net模型的纹理注意力引导自适应LSB隐写术及可选遗传算法调优的消融实验研究

《Scientific Reports》：Texture attention-guided adaptive LSB steganography with U-Net model and optional GA tuning integrated with ablation study

　　

摘要

图像隐写术涉及将一幅秘密图像隐藏在一幅数字载体图像中，使其对普通观察者不可见。当前大多数隐写方法面临一个本质上的权衡问题：更高的载荷容量会导致视觉不可检测性下降以及对检测和图像失真的抗性强削弱。我们提出的框架从载体图像中提取纹理图，然后生成注意力图，并可选地利用遗传算法优化，通过内容自适应和纹理注意力引导方法实现最大不可察觉性和鲁棒性。该系统通过ResNet50块提取的深度纹理图与距离变换图的组合来生成注意力图，然后训练一个U-Net模型以预测新的、未见的载体图像的注意力图。这些注意力图指导1到4比特每像素之间的自适应比特分配。接下来，我们使用遗传算法来优化注意力阈值和比特分配参数，从而提升视觉质量。实验结果表明，所有隐写图像的峰值信噪比在55 dB到61 dB之间，对应的结构相似性指数度量值接近1.0。此外，我们的框架支持隐写图像中嵌入的秘密信息的无损恢复，嵌入的秘密信息与提取的秘密信息之间的误码率等于0，对应的结构相似性指数度量值等于1.0。为了改善嵌入质量，我们采用遗传算法来搜索注意力阈值和自适应比特分配的最优值，基于遗传算法的隐写图像嵌入相比仅注意力嵌入的峰值信噪比提升约为3.6–5.0 dB。随后，我们进行了一系列消融研究，以评估注意力预测器（即基于U-Net的注意力预测器）和基于遗传算法的优化对生成高质量隐写图像的贡献。结果表明，注意力预测器和基于遗传算法的优化都是生成高质量隐写图像所必需的。我们还对嵌入和提取进行了计算分析，结果表明在线下一次性完成遗传算法校准后，嵌入和提取每张图像仅需几毫秒。最后，我们使用三种最先进的基于卷积神经网络的隐写分析器，即Xu-Net、Ye-Net和SR-Net，对我们框架生成的隐写图像进行了安全性评估。三种隐写分析器对我们框架生成的隐写图像的检测结果接近随机猜测，隐写图像的平均曲线下面积值约为0.5。