面向深度学习图像隐写术的TSCL：基于课程学习的多方损失平衡方案
计算机视觉与模式识别
2025-04-28 v1 人工智能
密码学与安全
摘要
对于深度学习图像隐写术框架，为确保信息嵌入的隐身性和可恢复性，损失函数通常包含多种损失，如嵌入损失、恢复损失和隐写分析损失。以往研究通常选择固定的损失权重进行训练优化，而该设置与隐写术任务本身及训练过程的重要性无关。在本文中，我们提出一种基于课程学习的两阶段损失调度器（TSCL），用于深度学习图像隐写术算法中的多方损失平衡。TSCL包含两个阶段：先验课程控制和损失动态控制。第一个阶段首先通过控制多方对抗训练中的损失权重，使模型专注于学习原始图像的信息嵌入；其次，使模型转向学习解码准确性；最后，使模型学习生成对隐写分析具有抗性的隐写图像。在第二个阶段，通过计算迭代轮次前后损失的下降幅度来评估每个训练任务的学习速度，从而实现各任务的平衡。在ALASKA2、VOC2012和ImageNet等三个大型公开数据集上的实验结果表明，所提出的TSCL策略在提升隐写术质量、解码准确性和安全性方面均取得显著效果。
引用
@article{arxiv.2504.18348,
title = {TSCL:Multi-party loss Balancing scheme for deep learning Image steganography based on Curriculum learning},
author = {Fengchun Liu. Tong Zhang and Chunying Zhang},
journal= {arXiv preprint arXiv:2504.18348},
year = {2025}
}