Dongnhui Hu
- Professor
- Supervisor of Doctorate Candidates
- Supervisor of Master's Candidates
- Name (English):Dongnhui Hu
- Name (Pinyin):hdh
- School/Department:计算机与信息学院
- Administrative Position:教授
- Education Level:With Certificate of Graduation for Doctorate Study
- Degree:Doctoral degree
- Professional Title:Professor
- Status:Employed
- Alma Mater:武汉大学
- Teacher College:计算机与信息学院(人工智能学院)
- Discipline:Other specialties in Computer Science and Technology
Contact Information
No content
- Paper Publications
生成对抗网络驱动的图像隐写与水印模型
Release time:2022-03-21 Hits:
- DOI number:10.11834/jig.200404
- Journal:中国图象图形学报
- Abstract:图像信息隐藏包括图像隐写术和图像水印技术两个分支。隐写术是一种将秘密信息隐藏在载体中的技术,目的是为了实现隐秘通信,其主要评价指标是抵御隐写分析的能力。水印技术与隐写术原理类似,但其是通过把水印信息嵌入到载体中以达到保护知识产权的作用,追求的是防止水印被破坏而尽可能地提高水印信息的鲁棒性。研究者们试图利用生成对抗网络(generative adversarial networks,GANs)进行自动化的隐写算法以及鲁棒水印算法的设计,但所设计的算法在信息提取准确率、嵌入容量和隐写安全性或水印鲁棒性、水印图像质量等方面存在不足。方法 本文提出了基于生成对抗网络的新型端到端隐写模型(image information hiding-GAN,IIH-GAN)和鲁棒盲水印模型(image robust blind watermark-GAN,IRBW-GAN),分别用于图像隐写术和图像鲁棒盲水印。网络模型中使用了更有效的编码器和解码器结构SE-ResNet(squeeze and excitation ResNet),该模块根据通道之间的相互依赖性来自适应地重新校准通道方式的特征响应。结果 实验结果表明隐写模型IIH-GAN相对其他方法在性能方面具有较大改善,当已知训练好的隐写分析模型的内部参数时,将对抗样本加入到IIH-GAN的训练过程,最终可以使隐写分析模型的检测准确率从97.43%降低至49.29%。该隐写模型还可以在256×256像素的图像上做到高达1 bit/像素(bits-per-pixel)的相对嵌入容量;IRBW-GAN水印模型在提升水印嵌入容量的同时显著提升了水印图像质量以及水印提取正确率,在JEPG压缩的攻击下较对比方法提取准确率提高了约20%。结论 本文所提IIH-GAN和IRBW-GAN模型在图像隐写和图像水印领域分别实现了领先于对比模型的性能。
- Indexed by:Journal paper
- Discipline:Engineering
- Document Type:J
- Volume:26
- Issue:10
- Page Number:2485-2502
- Translation or Not:no
- Date of Publication:2021-10-20