学习用于图像隐写的迭代神经优化器

图像隐写是通过不易察觉的修改在图像中隐藏秘密信息的过程。近期工作将此项任务表述为一个经典的约束优化问题。在本文中，我们认为图像隐写本质上是在自然图像（难以捉摸的）流形上进行的，并提出了一种经训练以执行优化步骤的迭代神经网络。与L-BFGS或投影梯度下降等经典优化方法不同，我们训练该神经网络在整个优化过程中也保持接近自然图像流形。我们展示了我们的学习型神经优化比经典优化方法更快且更可靠。与先前最先进的基于编解码器的隐写方法相比，它将恢复错误率降低了多个数量级，并在无需纠错码的情况下实现高达每像素3比特（bpp）的零错误。