PSyDUCK：面向潜在扩散的无训练隐写术
机器学习
2025-03-11 v2 密码学与安全
摘要
生成式 AI 的最新进展为隐写术开辟了充满前景的途径，能够为在敌对环境中运作的个体（如记者、活动家和举报人）安全地保护敏感信息。然而，现有的生成式隐写方法存在显著的局限性，特别是在可扩展性方面以及对重新训练扩散模型的依赖。我们引入了 PSyDUCK，这是一个无需训练、与模型无关的隐写框架，专为潜在扩散模型设计。PSyDUCK 利用潜在去噪过程中的受控散度和局部混合，在不损害视觉保真度的情况下实现高容量、安全的消息嵌入。我们的方法动态调整嵌入强度以平衡准确性和可检测性，显著改进了现有的像素空间方法。至关重要的是，PSyDUCK 将生成式隐写术扩展到了潜在空间视频扩散模型，在编码容量和鲁棒性方面都超越了以前的方法。大量实验证明了 PSyDUCK 相对于 SOTA 技术的优越性，在多样化的图像和视频数据集上实现了更高的传输准确率和更低的可检测率。通过克服与潜在扩散模型架构相关的关键挑战，PSyDUCK 为生成式隐写术树立了新标准，为可扩展的现实世界隐写应用铺平了道路。
引用
@article{arxiv.2501.19172,
title = {PSyDUCK: Training-Free Steganography for Latent Diffusion},
author = {Aqib Mahfuz and Georgia Channing and Mark van der Wilk and Philip Torr and Fabio Pizzati and Christian Schroeder de Witt},
journal= {arXiv preprint arXiv:2501.19172},
year = {2025}
}