隐秘术是通过隐藏传输事实来秘密传输信息的科学。隐写术一词本身来自希腊语。στεγανός“隐藏” +γράφω“我写”，字面意思是“秘密写作”。在这个领域，就像在许多其他领域一样，尤其是近年来，机器学习方法已经广泛普及，尤其是生成对抗网络（GAN）。 



菜单上的下一步：

1. 传统的隐写术为假人 
2. GAN是什么，它们一起吃什么？
3. 那么如何应用GAN？
4. GAN的未来：隐写术中等待着我们的是什么？

传统的隐写术为假人

自古以来，古典隐写术已被人们用作秘密交流的手段：隐形墨水，藏族诗歌等等。现代隐写术使用电子通信和数字技术来隐藏消息。每个现代的隐身系统都包含两个主要组件：注入和提取算法。因此，注入算法将秘密消息，秘密密钥和将用于传输消息的容器作为输入。他工作的结果是一种隐秘的信息。



通常，消息可以是任何内容：文本，图像，音频数据等。对于每种类型的数据，都会开发自己的隐藏方法。因此，在文字隐写术中，对文字中的字符的位置和数量使用假设，而在阅读人时不会考虑这些假设。例如，一种技术是格式化。它的本质在于通过增加单词之间的间隔来进行行拆分，例如，一个空间对应于第0位，而两个空间对应于第1位。或者，在网络隐写术中，隐藏的信息通过计算机网络使用数据传输协议的特殊性进行传输。典型的网络隐秘技术涉及更改网络协议之一的属性。将来，我们将仅考虑图像中的隐写术，我们将分别称为传输的隐身消息隐身图像。





在图像隐写术中，根据获得隐身图像的不同方法，区分了三种不同的基本体系结构。

1）图像修改

隐写术的修改方法基本上有两种。 第一种 用于支持统计模型， 第二种  是通过最小化特定失真函数来实现嵌入。

2）图像选择

图像选择与选择正确的容器有关，它涉及两种主要方法。首先是选择要修改的候选图像。在这种方法中，您需要在数据库中找到合适的容器进行修改。尽管这些方法称为图像选择，但它们本质上是对某些附加步骤的修改。但是将来我们不会将这种方法视为独立的方法。另一种方法是选择一个容器作为隐藏图像而不进行修改。在这种方法中，重要的是建立消息和隐秘图像之间匹配的规则。

3）图像合成

第三种策略基于图像合成。在这里，我们的爱丽丝（隐秘师）试图创建一个包含必要信息的新图像。由于逼真的图像的合成是一个复杂的问题，因此传统方法通过创建“非自然”图像（例如纹理 或 指纹图像）解决了隐写术的问题 。

GAN是什么，它们一起吃什么？

生成对抗网络（简称GAN）是基于两个神经网络的组合的无监督机器学习算法。2014年，它由 Google首次 推出。在GAN系统中，其中一个网络生成模式，另一个网络尝试将“正版”模式与不正确的模式区分开。 



生成网络使用一组延迟空间变量，总是尝试通过混合多个原始模式来塑造新模式。区分网络D经过训练，可以区分真假样本。同时，其结果被馈送到生成网络G的输入，以便它可以选择最佳的潜在参数集，而判别网络将不再能够区分真实样本和假样本。如您所见，网络G的目标是增加网络D中的错误百分比，而相反，网络D的目标是提高识别精度。



GAN已在计算机视觉和自然语言处理 （图像和文本的生成）中找到了出色的应用程序 。但是与此同时，隐写术也不能幸免。

那么如何应用GAN？

可以从不同角度查看GAN功能：竞争性游戏，生成器或显示功能。它们与隐写术中主要策略的分类（即修改，合成和选择）一致。

1）图像修改

基于GAN的图像修改专注于隐写器和隐写器之间的对抗游戏。该方法使用经过训练的生成器来构造各种“关键”元素。主要有三种策略。

创建隐秘图像

Denis Volkhonsky，Ivan Nazarov和Evgeny Burnaev建议 设计一种生成隐身 图像的生成器。这种方法允许使用标准隐写术算法传递消息的方式更加防隐写。实际上，他们提出了一个由三个网络组成的生成对抗网络：隐写分析的生成器G，鉴别器D和分类器S。



S分类器确定真实图像是否隐藏分类信息。

创建修改概率矩阵

ASDL-GAN 就是一个例子，它  可以自动学习失真功能。该方案在现代隐写术的传统下运行，并最小化了附加失真功能。通过最小化失真函数的数学期望来获得变化概率矩阵本身。训练他们的方案中的生成器G以识别改变输入图像P的概率。

对抗游戏

第三种策略涉及直接在其三个参与者（爱丽丝，鲍勃，温迪）之间使用竞争游戏来研究修改算法。ADV-EMB方法 ，通过欺骗隐写分析分类器来尝试更改图像以隐藏消息。



在这种方法中，“候选图像”的像素分为两组，一组用于修改，第二组用于产生干扰，以抵抗分析仪。

2）图像选择

GAN选择隐写术旨在建立消息与隐写图像之间的关系。但是，尽管一些作品 朝这个方向进行了单独的尝试，但是关于这个主题的资料并不多。



一个想法是，发件人使用生成器在消息和所选图像之间设置显示类型。对于收件人，该消息是直接从所选图像生成的。此方法的本质是建立图像与秘密消息之间的关系，以便容器自然地变为隐秘图像。统计隐写分析不起作用，因为修改操作本身不是直接执行的。

3）图像合成

通常使用过度训练的生成器来创建图像，并在此提出几种策略。

与老师一起学习

在这里， 作者使用神经网络来研究对抗学习算法，其中三个参与者（爱丽丝，鲍勃和夏娃）代表神经网络。







当鲍勃尝试恢复消息时，爱丽丝使用该容器和秘密消息来创建隐秘映像。夏娃提取图像中秘密消息的概率P。同时，爱丽丝（Alice）试图达到一种平衡，使夏娃（Eve）收到带有秘密消息的图像的概率为1/2。（也就是说，夏娃已经只是在随意猜测结果了）。该算法引入了三个损失函数，分别由Alice，Bob和Eve负责。

没有老师学习

未经修改的隐写术



在此方法中， 秘密消息被转换为噪声向量，然后作为输入发送到生成器以创建隐蔽图像。



首先，用一些数据集训练生成器G。这产生了可以创建逼真的图像的生成器。在第二阶段，使用消息提取丢失功能训练提取器E。此步骤的目标是从生成的隐秘映像中恢复消息。



在最后一步中，发送者在噪声和消息之间建立关系，并对秘密消息和噪声向量进行分段以创建映射。接收器可以使用提取器重构噪声向量，然后使用结果映射获得秘密消息。



WGAN-GP隐写术使用



这种方法， 可以同时训练消息提取器和隐身图像生成器。WGAN-GP适用于生成更高质量的隐身图像。根据建议的方法，生成器G学习游戏最小极大值的输入（决策规则，以使决策者在最坏的情况下无法避免的损失最小化），以便与鉴别器（D）和提取器（E）竞争）。

兼职教师培训

ACGAN隐写术



为了执行部分训练，必须在原始GAN中添加特定于任务的辅助网络。 该方法 建立了生成的图像类别标签和秘密信息之间的关系，并将类别标签和噪声直接注入生成器中以创建隐身图像。在消息提取阶段，将隐秘图像提供给鉴别器，以获取秘密信息的片段。



有限采样隐写术



 在这种情况下， 消息嵌入操作成为图像选择问题。本文将隐身图像的创建视为使原始图像和隐身图像之间的距离最小化的问题。



使用加纳周期的隐写术



一些研究人员认为隐身图像的合成是“图像到图像”翻译的问题。CycleGAN是一个非常著名的图像翻译模型 。该模型通过最小化对抗损失函数和循环一致性损失函数来学习将图像从X类转换为Y类。 该文章 认为CycleGAN可被视为隐藏信息的编码过程。

GAN的未来：隐写术中等待着我们的是什么？

基于GAN的方法非常有趣，并且可以简化。该方法当前具有三个主要的发展方向。GAN的未来：隐写术中等待着我们的是什么？

容量

在诸如GAN-CSY之类的方法中，生成的像素的不稳定性导致较差的消息检索准确性。在其他方法中，消息不以其通常形式存在，而是类别属性或噪声向量。缺点是现有方法中的消息不包含太多信息。因此，需要注意的领域之一是提高稳定性并增加发送数据的量。

图像质量评估

难以量化合成图像的质量。在图像合成领域，用于评估所生成图像的标准不够可靠。



使用手动评估的某些方法是主观的，缺乏客观的评估标准。当前的评估标准主要是IS（Inseption分数）和FID（Frechet起始距离）。这些评级仅考虑图像的真实性和质量。因此，找到合适的估计值仍然是重要且尚未开发的研究领域。

隐写分析

隐写分析的任务分为两个阶段。第一步是检查图像，这将显示图像是否为伪造。第二步是图像隐藏，确定生成的图像是否包含秘密消息。目前，由GAN生成的图像在

人眼中是无法区分的。在传统的隐写术中，有许多检查图像的方法，以区分自然图像和生成的图像。但是在将来，随着所描述方法的发展，将变得难以确定是否生成图像。因此，提高隐写分析的效率应被认为是最有希望的方向。



该材料是根据本文准备的 。