固定神经网络隐写(FNNS)通过对图像添加扰动实现信息嵌入，无需对神经网络进行训练就能达到理想的隐写性能，具有较高的实际应用价值。然而，现有的FNNS方案无法防止未授权信息提取，拥有该神经网络的任何人都可以从含密图像中提取信息。为了防止未授权信息提取，最直接的策略是对信息进行加密后嵌入。然而，由于神经网络隐写难以保证信息的无损提取，接收方得到含有误码的密文信息后往往无法准确重建原始信息。
针对这一问题，我们在本文中提出了一种由密钥驱动的FNNS方案。如图1所示，我们使用密钥来控制用于信息嵌入的对抗扰动生成，使得神经网络对于密文域含密图像的输出为秘密信息。在信息提取时，只有拥有正确密钥的接收方才可以生成正确的加密图像，进而重构秘密信息。为了提高隐写图像的视觉质量和不可检测性，我们评估了在图像不同区域添加扰动的代价，并将其纳入损失函数的设计中，以便自适应地从神经网络中学习最优扰动。实验结果证明了我们的方案对于防止未授权信息提取的有效性。此外，与常规FNNS方案相比，我们的方案所生成的含密图像具有更好的视觉质量和不可检测性。
图 1 由密钥驱动的固定神经网络隐写方案
论文信息
相关论文已被 Proceedings of the 31st ACM International Conference on Multimedia (ACM MM "23) 录用，作者是复旦大学计算机科学技术学院的罗梓聪、李晟*、李国标、钱振兴、张新鹏。
Zicong Luo, Sheng Li*, Guobiao Li, Zhenxing Qian, and Xinpeng Zhang. Securing Fixed Neural Network Steganography. In Proceedings of the 31st ACM International Conference on Multimedia，2023.
供稿：罗梓聪、李晟，复旦大学多媒体智能安全实验室
声明：本文来自隐者联盟，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
