StegoPNet: Image Steganography With Generalization Ability Based on Pyramid Pooling Module
StegoPNet: Image Steganography With Generalization Ability Based on Pyramid Pooling Module
复制标题
StegoPNet：基于金字塔池化模块的具有泛化能力的图像隐写术
DOI：
10.1109/access.2020.3033895
复制
发表时间：
2020
期刊：
影响因子：
3.9
通讯作者：
Chuan Qin
中科院分区：
文献类型：
--
作者：
Xintao Duan;Wenxin Wang;Nao Liu;Dongli Yue;Zimei Xie;Chuan Qin
现有的基于深度神经网络的图像隐写技术在负载容量和视觉效果方面仍需改进，针对这一问题，本文提出了一种新的基于金字塔池化模块的深度卷积隐写网络，以实现更好的图像隐写。深度卷积神经网络本身可以有效地提取特征。在组合上采样结构的基础上，我们增加了金字塔池模块，在保证安全的前提下，充分融合了前面的重要全局特征，达到了良好的隐藏和提取效果，充分融合了前面的重要全局特征，有效地减少了不同子系统之间上下文信息的丢失，区域，在保证安全性的前提下，达到较好的隐藏和提取效果。实验表明，该方法获得的图像间的平均峰值信噪比（PSNR）/结构相似度（SSIM）等指标在实验中均取得了较好的效果。同时，通过消融实验验证了金字塔池化模块可以增强网络模型的隐写效果，并进一步降低模型的损失函数。
In terms of payload capacity and visual effects, the existing image steganography technology based on deep neural networks still needs improvement, to solve this problem, this article proposes a new deep convolutional steganography network based on the pyramid pooling module to achieve better image steganography. The deep convolutional neural network itself can extract features efficiently. Based on the combination of up-sampling structure, we added a pyramid pool module, under the premise of ensuring safety, fully integrated the previous important global features, achieved good hiding and extraction effects, fully integrated the previous important global features, and effective it reduces the loss of contextual information between different sub-regions in the feature extraction process and achieves better hiding and extraction effects under the premise of ensuring security. Experiments show that the average peak signal-to-noise ratio (PSNR)/structure similarity (SSIM) and other indicators between the images obtained by this method have achieved good results in the experiment. Also, we have verified through ablation experiments that the pyramid pooling module can enhance the steganography effect of the network model and can further cut down the loss function of the model.
登录
查看更多内容
DOI：
10.1109/tifs.2011.2134094
发表时间：
2011-09-01
影响因子：
6.8
作者：
Filler, Tomas;Judas, Jan;Fridrich, Jessica
通讯作者：
Fridrich, Jessica
使用生成对抗网络的自动隐写失真学习
影响因子：
3.9
作者：
Tang, Weixuan;Tan, Shunquan;Huang, Jiwu
通讯作者：
Huang, Jiwu
影响因子：
5.5
作者：
Andreas Westfeld;A. Pfitzmann
通讯作者：
Andreas Westfeld;A. Pfitzmann
DOI：
--
发表时间：
2014-10
期刊：
ArXiv
影响因子：
--
作者：
B. Boehm
通讯作者：
B. Boehm
DOI：
10.1109/tpami.2016.2572683
发表时间：
2017-04-01
影响因子：
23.6
作者：
Shelhamer, Evan;Long, Jonathan;Darrell, Trevor
通讯作者：
Darrell, Trevor