近日,我院翁韶伟教授团队与交通运输学院陈德旺教授团队首创提出了双域高性能隐写分析网络,相关成果“Steganalysis Network with Two-Branch Preprocessing for Spatial and JPEG Domains”发表在IEEE旗下视频技术领域顶级学术性汇刊《IEEE Transactions on Circuits and Systems for Video Technology》(TCSVT)期刊上(论文链接:https://ieeexplore.ieee.org/document/10700763)。该论文受到了国家自然科学基金、福建省第三批创新之星人才项目资助。论文分析了空域和JPEG域载密图片的差异,针对不同域隐写信号的差异设计了新的隐写分析检测器ESNet(图1为网络结构框图),实现了对空域和JPEG域载密图片的有效检测。
目前的隐写分析研究针对空域和JPEG域分开讨论,很少有研究将两个域统一分析,设计双域的隐写分析检测器。在此研究中,针对目前空域,JPEG域以及双域的隐写分析研究现状进行了分析和讨论,分析了双域隐写分析研究的不足,针对双域的隐写分析结合目前现有的预处理方式设计双分支的预处理,其中配合精心设计的双向融合模块去融合双分支的优势,促进双分支预处理的合作和学习,提升提取不同域噪声残差的能力,从而提升预处理阶段的信噪比(隐写信号相对于载体图像)。其次,针对在特征提取中,隐写特征丢失的问题,考虑引入多级特征融合,来整合特征提取阶段产生的不同级别的特征图,从而保留微弱的隐写特征。最后,设计了多尺度注意力池化模块,对分类前特征图首先进行多尺度的特征提取,然后适用通道注意力机制进行通道加权,最终采用风格池化来压缩通道,尽可能地保留通道的特征。通过双分支的预处理,多级特征融合和多尺度注意力池化,该隐写分析模型可以有效地识别空域和JPEG域的载密图片,提升了双域隐写分析的检测性能。实验表明,该网络在空域和JPEG域都展现出了最先进的检测性能,同时在面对载体源适配的情况下也取得了最优的检测性能。
图1 ESNet网络的整体结构框图 |
图2 在BOSSBase+BOWS2数据集上对S-UNIWARD隐写算法,0.4bpp嵌入率下的ROC检测曲线和其对应的面积(AUC) |
图3 在BOSSBase+BOWS2数据集上对J-UNIWARD隐写算法,0.4bpnzac嵌入率下的ROC检测曲线和其对应的面积(AUC) |