基于逆梯度注意力的鲁棒数据隐藏

数据隐藏是将所需信息编码进某类载体媒体（如图像）中以抵抗潜在噪声以便数据恢复，同时确保嵌入图像具有极小感知扰动的过程。近来，随着深度神经网络在各领域的巨大成功，基于深度学习模型的数据隐藏研究吸引了越来越多的关注。在深度数据隐藏模型中，为最大化编码容量，封面图像的每个像素应被区别对待，因为它们对视觉质量具有不同的敏感度。忽略考虑每个像素的敏感度不可避免地影响模型用于信息隐藏的鲁棒性。本文中，我们提出一种结合注意力机制思想以赋予不同像素不同注意力权重的新型深度数据隐藏方案——逆梯度注意力（Inverse Gradient Attention，IGA）。借助所提模块，模型可聚焦于对数据隐藏更具鲁棒性的像素。大量实验表明，所提模型在多个评估指标下于两个流行数据集上优于主流的基于深度学习的数据隐藏方法。此外，我们进一步识别并讨论了所提逆梯度注意力与图像内高频区域之间的联系，这可作为深度数据隐藏研究界的信息性参考。代码见：https://github.com/hongleizhang/IGA。