CLPSTNet：集成课程学习的渐进式多尺度卷积隐写模型
计算机视觉与模式识别
2025-04-24 v1 人工智能
密码学与安全
摘要
近年来，大量工作将卷积神经网络(CNN)引入图像隐写中，将传统的基于手工特征和先验知识设计的隐写方法转化为神经网络自主学习信息嵌入的方法。然而，由于数字图像的内在复杂性，使用CNN模型进行信息嵌入时仍存在可见性和安全性问题。本文提出课程学习渐进式隐写网络（CLPSTNet）。该网络由多个渐进式多尺度卷积模块组成，这些模块集成了Inception结构和空洞卷积。该模块包含多个分支路径，从较小的卷积核和空洞率开始，从特征图中提取基本的局部特征信息，逐渐扩展到更大的卷积核和空洞率，以感知更大感受野的特征信息，从而实现从浅到深、从细到粗的多尺度特征提取，使浅层密钥信息特征在不同的融合阶段中得到细化。实验结果表明，所提出的CLPSTNet在三个大型公开数据集（ALASKA2、VOC2012和ImageNet）上的PSNR、SSIM指标和解码准确率均表现良好，同时生成的隐写图像在steganalysis评分方面表现低。我们提供代码：https://github.com/chaos-boops/CLPSTNet。
关键词
引用
@article{arxiv.2504.16364,
title = {CLPSTNet: A Progressive Multi-Scale Convolutional Steganography Model Integrating Curriculum Learning},
author = {Fengchun Liu and Tong Zhang and Chunying Zhang},
journal= {arXiv preprint arXiv:2504.16364},
year = {2025}
}