利用JPEG域知识改进JPEG隐写术的成本学习
密码学与安全
2021-05-11 v1 计算机视觉与模式识别
摘要
尽管近期在隐写成本自动学习方面取得了显著进展，但现有为空间图像设计的方法并不适用于JPEG图像，而JPEG图像是日常生活中更常见的媒体。迁移的困难主要在于由8x8 DCT模式结构引起的独特且复杂的JPEG特性。为解决该问题，本文我们将现有的一种自动成本学习方案扩展到JPEG，所提出的方案称为JEC-RL（基于强化学习的JPEG嵌入成本），其明确设计以适配JPEG DCT结构。该方案在强化学习下结合嵌入动作采样机制，其中策略网络通过最大化环境网络提供的奖励来学习最优嵌入策略。策略网络遵循域转换设计范式构建，提出了像素级纹理复杂度评估、DCT特征提取和模式重排三个模块。这些模块串行操作，从解压后的JPEG图像中逐步提取有用特征，并将其转换为针对DCT元素的嵌入策略，同时考虑包括块间和块内相关性的JPEG特性。环境网络以梯度导向方式设计，通过使用配备固定预处理层（含8x8 DCT基滤波器的宽架构）来提供稳定的奖励值。大量实验和消融研究证明，所提方法针对JPEG图像能够对抗基于高级特征和现代CNN的隐写分析器，取得良好的安全性能。
引用
@article{arxiv.2105.03867,
title = {Improving Cost Learning for JPEG Steganography by Exploiting JPEG Domain Knowledge},
author = {Weixuan Tang and Bin Li and Mauro Barni and Jin Li and Jiwu Huang},
journal= {arXiv preprint arXiv:2105.03867},
year = {2021}
}