💛前情提要💛
本文是传知代码平台中的相关前沿知识与技术的分享~
接下来我们即将进入一个全新的空间，对技术有一个全新的视角~
本文所涉及所有资源均在传知代码平台可获取
以下的内容一定会让你对AI 赋能时代有一个颠覆性的认识哦！！！
以下内容干货满满，跟上步伐吧~
💡本章重点
- 神经网络图像隐写
🍞一. 论文概述
图像隐写术是一种在图片中隐藏消息的过程。虽然密码学等其他技术旨在防止对手阅读秘密消息，但隐写术旨在隐藏消息本身的存在。在本文中，我们提出了一种新的技术，用于使用生成对抗网络在图像中隐藏任意二进制数据，这使我们能够优化我们的模型生成的图像的感知质量。
我们表明，我们的方法实现了每像素 4.4 位的最新有效载荷，逃避隐写分析工具的检测，并且对来自多个数据集的图像有效。为了实现公平比较，我们发布了一个在线可用的开源库
🍞二. 论文方法概述
封面图像 C 是从所有自然图像 PC 的概率分布中采样的。然后，隐写图像 Si 由学习的编码器 E(C, M ) 生成。然后通过学习的解码器 D(S) 提取秘密消息M。在训练当中，对信息的准确性和图片的质量（psnr）进行联合优化。
🍞三.论文结构
整体结构主要分为三个部分：
编码器
解码器
判别器
编码器接受一张CHW的图片，和一个DHW的一个二进制信息，输入到网络中，网络输出一个3HW的RGB图像作为信息承载的图片，将这个图片作为待传输的图片
解码器: 由卷积网络构成，输入为编码器输出的图片，输出为浮点数构成的多维矩阵，这个矩阵和0比较进行二值化后形成二进制信息组成的矩阵，和原始信息M比较，判断信息恢复的准确度。
判别器： 为了对编码器的性能提供反馈并生成更真实的图像，我们引入了一个对抗性判别器。评论家网络由三个卷积块和一个输出通道的卷积层组成。为了生成标量分数，我们将自适应平均池化应用于卷积层的输出。
训练细节：文章采用MSE loss，BCE loss，进行训练，采用类似gan的对抗训练的方法
论文结果
🍞四.演示效果
首先看一下隐写前后的效果：
input
output
同时可以解出隐藏的信息。
训练细节
🫓总结
综上，我们基本了解了“一项全新的技术啦” 🍭 ~~
恭喜你的内功又双叒叕得到了提高！！！
感谢你们的阅读😆
后续还会继续更新💓，欢迎持续关注📌哟~
💫如果有错误❌，欢迎指正呀💫
✨如果觉得收获满满，可以点点赞👍支持一下哟~✨
【传知科技 – 了解更多新知识】