学位论文简介

随着深度学习技术的突飞猛进，基于卷积神经网络的隐写分析器检测能力得到了显著提升，这使得传统隐写方法面临着前所未有的挑战。为应对这一挑战，本文提出了四项工作，取得了以下主要创新性研究成果：

(1) 提出了一种基于像素修改方向聚类的对抗嵌入隐写方法。通过分析图像局部区域中像素修改方向与梯度特征的相关性，创新性地构建了一种分区域嵌入机制。相较于传统的全局统一嵌入策略，该方法首先将载体图像划分为多个子区域，然后采用分阶段嵌入策略。在对抗嵌入过程中，对相邻像素的修改方向进行聚类优化，并基于像素梯度特征和嵌入代价的性质，优先选择梯度幅值显著且嵌入代价较低的像素点，实现嵌入代价动态更新。

(2) 第二，创新性地将集成学习思想引入对抗嵌入隐写领域，构建了一个多模型协作的隐写框架。通过结合多个异构隐写分析器的梯度信息，以覆盖更广泛的隐写分析特征空间，并利用多数投票机制筛选出对多个隐写分析器均具有强对抗性的像素进行嵌入。此外，结合梯度幅度的动态分区策略，优先在梯度幅度较大的区域进行对抗嵌入，并采用逐步增强对抗强度的方式，进一步减小对抗嵌入对隐写图像的扰动。

(3) 第三，针对现有基于编码器-解码器架构的生成器在迭代训练过程中存在信息损失、难以精确建模图像细节的问题，本文提出了一种基于生成对抗网络的图像隐写方法，通过优化嵌入概率图的学习机制提升隐写安全性。具体而言：在生成器中引入注意力机制，使其能够自适应地聚焦于图像纹理丰富的关键区域，从而更有效地学习局部特征；构建双流并行处理架构，分别对原始图像与边缘增强图像进行特征提取，通过多层次的特征融合机制强化网络对图像结构信息的理解，确保隐写修改与图像内容特征更加匹配。

(4) 第四，现有的基于生成对抗网络的隐写方法通常依赖单个生成器来学习图像的嵌入成本，导致生成的隐写样本具有同质化的统计特征，且对多样图像类型的适应性有限，使其更容易被现代隐写分析技术检测到。为克服这些局限性，本文引入了多生成器隐写框架（Multi-Generator Steganography Framework, MGSF），采用Min-Max优化策略，通过并行运行多个生成器，生成具有独特特征的隐写图像。在每轮训练中，判别器首先评估对各生成器的检测损失，筛选出导致其性能退化的生成器集合，并优先利用最大损失样本更新参数；生成器则通过协作优化机制，对性能最弱个体及相对退化的生成器进行针对性强化。最后，通过筛选过程，选择最优的隐写样本作为输出。

主要学术成果

[1] Dewang Wang, Gaobo Yang, Zhiqing Guo, Jiyou Chen. Enhancing adversarial embedding based image steganography via clustering modification directions [J]. ACM Transactions on Multimedia Computing, Communications and Applications, 2024, 20(1): 1-20. (本人一作)

[2] Dewang Wang, Gaobo Yang, Zhiqing Guo, Jiyou Chen. Improving image steganography security via ensemble steganalysis and adversarial perturbation minimization [J]. Journal of Information Security and Applications, 2024, 85: 103835. (本人一作)

[3] Dewang Wang, Gaobo Yang, Jiyou Chen, Xiangling Ding. GAN-based adaptive cost learning for enhanced image steganography security [J]. Expert Systems with Applications, 2024, 249: 123471. (本人一作)

[4] Dewang Wang, Gaobo Yang, Zhiqing Guo, Qiang Guo, Xiangling Ding. GAN-based Multi-Generator Framework for Steganography Embedding Cost Learning. (已投IEEE TMM)