利用扩散模型净化隐藏信息
密码学与安全
2025-02-07 v2
摘要
信息隐藏是将数据嵌入另一种形式数据中的过程，常用来 conceal 其存在或防止未授权访问。该过程常用于各类安全通信（隐写术），恶意行为者可利用其在其中传播恶意软件、窃取受害者数据并隐蔽通信。近期工作利用深度神经网络以称为净化的防御机制移除该隐藏信息。然而，此前的深度学习工作无法在 MNIST 数据集之外高效扩展。本文中，我们提出一种称为 DM-SUDS 的新型净化方法，其利用扩散模型框架从 CIFAR-10 和 ImageNet 数据集的图像到图像通用且依赖型隐写术中净化/移除隐藏信息。我们使用 MSE、PSNR、SSIM 和 NCC 指标将 DM-SUDS 与三种不同基线进行比较，并通过消融研究提供进一步详细分析。与先前深度学习方法相比，DM-SUDS 优于所有三种基线，并将图像保真度 MSE 提升 50.44%、PSNR 提升 12.69%、SSIM 提升 11.49%、NCC 提升 3.26%。此外，我们引入一种新颖的评估规范，同时考虑隐藏信息的成功移除（安全性）以及净化后图像的结果质量（实用性）。我们通过在音频案例研究中的应用进一步展示了该方法的通用性，证明其可广泛适用于其他领域。
引用
@article{arxiv.2310.06951,
title = {Sanitizing Hidden Information with Diffusion Models},
author = {Preston K. Robinette and Daniel Moyer and Taylor T. Johnson},
journal= {arXiv preprint arXiv:2310.06951},
year = {2025}
}
备注
Accepted to European Conference on Artificial Intelligence (ECAI), 2024