一、文章摘要

生成隐写术(GS)是一种新的数据隐藏方式，其特点是直接从秘密数据生成隐写介质。现有的GS方法通常因性能差而受到批评。本文提出了一种新的基于流的GS方法——生成隐写流(GSF)，该方法可以直接生成隐写图像而不需要封面图像。我们将隐写图像生成和秘密数据恢复过程作为一个可逆变换，在输入的秘密数据和生成的隐写图像之间建立可逆的双客观映射。在前向映射中，将秘密数据隐藏在Glow模型的输入潜变量中，生成隐写图像。通过反向映射，可以从生成的隐写图像中准确地提取隐藏数据。此外，我们提出了一种新的潜变量优化策略来提高隐写图像的保真度。实验结果表明，本文提出的GSF算法的性能远远优于SOTA算法。

二、提出的方法

拟建GSF的管道如图2所示，包括两个阶段：1.潜变量优化阶段；2.隐藏和提取秘密的阶段。在第一阶段，对潜变量Z进行优化，旨在提高生成的隐写图像的质量。如图2顶部所示，采用质量评估器对图像保真度进行评估，根据每个输入图像的保真度输出一个分数。将生成图像与真实图像之间的分数差(Diff)作为后向损失进行优化；在第二阶段，建立从输入秘密数据到输出隐写图像的可逆双射映射，通过该映射可以将秘密数据转换为隐写图像，反之亦然。数据隐藏过程如图2底部所示。首先，将第一阶段优化后的潜变量Z编码为二进制序列，并将每个序列中的一些可隐藏位替换为输入的秘密数据。其次，将这些修改后的序列转换为与Z中的张量具有相同大小的L个浮点张量，称为隐写潜变量Zs。最后，Zs被发送到一个预训练的Glow模型，用于生成隐写图像。相反，可以通过反转上述过程来检索隐藏的秘密数据。

图2 我们建议的GSF的整体结构。潜变量Z与向后损失Diff循环更新，该Diff由图像质量评估器计算。将秘密数据隐藏在优化后的Z二值化序列中，然后将修改后的序列转换为Zs，然后发送给Glow模型进行隐写图像生成。隐藏的秘密数据可以通过反转隐藏过程来提取

2.1 模型训练

我们的方案建立在基于流的生成模型Glow[12]的基础上，通过该模型，输入潜变量Z和生成图像I几乎可以在没有信息损失的情况下相互转换，即Glow(I) = Z和Glow−1(Z) = I。Glow由一系列可逆函数Glow = f1×f2···×fn组成。Glow的变换可以表示为：I f1→h1 f2→h2···fn→Z；zf−1 n→hn−1···f−1 2→h1 f−1 1→I；这里，fi是可逆变换函数，hi是fi的输出。Glow由三种类型的模块组成，包括挤压模块、流动模块和分割模块。挤压模块用于特征映射的下采样，流模块用于特征处理。分割模块将图像特征沿通道侧分成两半，其中一半作为潜变量张量Zi输出，其大小为：

其中H/W为生成图像的高度/宽度，L为Zi的个数。然后，另一半功能循环到挤压模块中。在我们的方案中，将Z =∑Li=1Zi作为Glow的整体输入潜变量。Glow模型的损失函数定义为：

式中，log|det (dhi/dhi−1)|为雅可比矩阵行列式dhi/dhi−1的绝对值的对数。

2.2 潜变量优化策略

Glow的初始输入潜变量服从如下分布：Z ~ N(0；1) × δ，但只能生成低质量的图像。因此，我们提出了一种潜变量优化策略来提高生成图像的质量。所提出的策略如图2顶部所示，在算法1中进行了描述。我们不使用随机正态分布，而是用映射潜变量的平均值初始化Z，其中n个随机采样的真实图像In使用Glow模型转换为潜变量值，即Z = 1/n ∑Glow(In)。接下来，将初始化的Z与向后损失Diff循环更新，以进一步提高图像质量。

在该策略中，我们使用质量评估器(QA)来评估图像的保真度。使用预训练的分类器Resnet50[13]作为QA，对真实图像和Glow生成的图像进行训练。QA将为真实输入图像输出正分数，为生成图像输出负分数。Diff是QA输出的n张真实图像的平均得分与生成图像的得分之差，可以计算为：

式中，scoreireal为QA对第i张实数图像的输出得分，scoregen为生成图像的得分。每一步只生成一个图像。在每一步优化中，Z的更新如下：

其中，ε为控制变化水平的超参数，∇zDiff为潜变量z的梯度。优化过程将继续进行，直到达到最大训练步长或Diff值低于阈值。

2.3 秘密隐藏与提取

秘密数据隐藏在优化后的潜变量二值化序列中，如图2和图3所示。采用IEEE 754标准进行基数变换，将Z的每个浮点数编码为32位二进制序列：

图3 秘密隐藏示意图。在将Z转换为二值化序列之后，输入的秘密数据隐藏在这些序列的可隐藏位中。然后，将修改后的序列转换为称为Zs的浮点张量

这里，(n)10表示十进制浮点数。sign是取值为0或1的符号位。(exponent)10表示十进制指数乘数，在我们的方案中通常等于125、126或127。(fraction)10表示浮点数的小数部分。然后，将sign位、(exponent)10和(fraction)10的值依次转换为二进制数，形成32位二进制序列。

详细的数据隐藏过程如图3所示。首先，使用公式4中定义的函数将Z的所有浮点数编码为32位二进制序列。除了对图像质量影响较大的指数位外，这些二值化序列的符号位和小数部分(第0 ~ 22位)可以用来隐藏秘密数据，称为可隐藏位。其中，只有分数部分的αth ~ βth(0≤α≤β≤22，[α： β])位进行数据隐藏。在我们的方案中，我们改变α的值来传递不同的秘密有效载荷，β固定为22。然后将包含秘密数据的修改序列再次转换为浮点数，然后重构为隐写潜变量z。

我们可以逆数据隐藏过程来提取秘密数据。首先，将接收到的隐写图像发送到Glow模型中，恢复隐写潜变量；然后，将恢复的隐写潜变量Z*s转换为二值序列。最后，可以从这些序列的Sign位和[α：β]位中检索隐藏的秘密数据。综上所述，秘密数据的隐藏和提取过程可以描述为：

式中，bin(·)表示将潜变量张量中的浮点数转换为二进制序列。Secret是输入的秘密数据，它隐藏在bin(Z)的Sign位和α - β位中，即[S,α：β]。Secret 是从bin(Zs)的相同位置检索到的提取的秘密数据。

三、实现细节

我们的方案是在带有4个Nvidia 1080Ti的CentOS 7上使用PyTorch实现的。CelebA[14]用于评估我们的模型的性能。Adam是优化器，学习率是1e-3。训练Glow模型生成L = 5的128×128图像。公式3中的参数“ε”设置为1e-3, 公式2中的n设置为3，算法1设置为3。算法1中的thresh设置为0.1,max-step设置为100。

在隐写术中，bpp是用来衡量隐写图像有效载荷的度量，bpp = len(Secret)/( H×W)。这里，bpp表示每个像素携带的秘密比特数(比特每像素)，len(·)表示隐藏的秘密数据的长度，H/W为隐写图像的高度/宽度。Acc用于度量秘密数据的提取精度：Acc = secret∗⊙Secret/(len(secret))；这里，secret∗和secret分别表示提取的和输入的秘密数据。⊙表示XNOR操作。隐写安全性用度量PE来评价，定义为：PE = minPFA 1/2 (PFA + PMD)；其中，PFA和PMD分别为隐写图像的虚警率和漏检率。PE范围为[0，1.0]， PE的最优值为0.5。此时，隐写分析器无法区分图像的来源，只能随机猜测。预训练的Resnet50作为质量评估器。它是在20k张CelebA的真实图像和20k张Glow的生成图像上进行训练的。原始未修改的Z生成的图像称为明文图像，其中没有隐藏秘密数据。隐写潜变量Zs生成的图像称为隐写图像，隐写图像中包含了秘密数据。

论文地址：Generative Steganographic Flow

没有公布源码