生成式对抗网络（Generative Adversarial Network，GAN）自从被引入以来，已经在众多领域获得了广泛的应用。然而，GAN模型结合图像隐写的研究却仍然处于起步阶段。目前，大多数基于GAN的隐写方法的重点都是对生成器的设计，而很少关注判别器的结构和功能。尤其是，许多现有方法在判别器中采用了较为简单的隐写分析器（例如Xu-Net），这样的设计不仅限制了整体模型的性能，还忽略了在训练过程中生成器与判别器之间的紧密关联和相互作用。为了解决这些问题，本文提出了两种基于生成式多对抗网络设计的图像隐写模型：
1. 基于生成式多对抗网络的对称代价学习模型
经研究发现，为得到更安全的隐写嵌入效果，在基于GAN的隐写模型中，确保生成器和判别器之间的动态平衡至关重要。如图1所示，本工作提出了一种基于生成式多对抗网络的隐写框架。与传统的基于GAN的隐写方法相比，我们在判别器中整合了多个隐写分析器，而不是仅仅依赖一个单独的隐写分析器。更重要的是，我们设计了一个自适应的模型参数更新策略。具体来说，在每一次训练迭代中，我们只更新判别器中表现最弱的隐写分析器，并利用最强的隐写分析器产生的梯度信息来更新生成器。这一机制不仅确保了生成器和判别器之间的动态平衡，还有效地引入了丰富的梯度信息。借助此策略，我们成功避免了由梯度消失所导致的训练困难，进一步提升了模型的嵌入性能和安全性。
图1 所提方法#1的框架图
模型的隐写分析检测效果详见表1。从结果中可明显看出，所提出的策略在绝大部分场景中均显示出最高的安全性能。相对于目前基于GAN的隐写方法，我们的方法表现出显著的优势，尤其是针对基于CNN的隐写分析器，如SRNet和CovNet.
表1 所提方法#1在隐写分析器测试的错误率(%)
2. 基于图像残差和梯度融合的非对称代价学习模型
隐写可以根据在同一嵌入单元内添加+1和-1的嵌入代价是否相等被分类为对称隐写和非对称隐写。早期的隐写方法主要依赖于经验规则进行对称代价的设计。而近些年，对抗样本的应用在非对称隐写算法设计中越发受到关注。这些策略一般会采用已有的对称隐写方法来训练针对特定的基于CNN的隐写分析器，接着利用该分类器获取的梯度信息，将对称嵌入代价转化为非对称嵌入代价。这些非对称隐写方法普遍依赖于已有的对称隐写技术。
生成对抗网络（GAN）具备从零开始、无需依赖现有的方法或人工经验即可学习隐写嵌入代价的能力。然而，目前的基于GAN的隐写策略尚未能够生成有效的非对称嵌入代价，这成为一个亟待解决的问题。在此背景下，我们基于先前工作#1，提出了一种新的基于生成对抗网络的隐写策略。此方法能够通过对抗训练来独立地学习非对称嵌入代价，无需依赖于先前的隐写方法或特定的初始化过程。如图2所示，我们提出的生成器采用了双分支的设计，旨在学习并输出非对称的嵌入概率；而判别器则整合了多个隐写分析网络，并采用类似于前述工作#1的自适应策略，使得在每次迭代中，基于多个隐写分析网络的表现来更新GAN的模型参数。更进一步，我们还引入了一个新的对抗损失函数，该函数通过利用图像的残差、梯度、非对称嵌入概率图以及修改图等特征来有效地学习非对称嵌入代价，以此来训练生成器内部的双分支网络。
图2 所提方法#2的框架图
如表2所示，我们将提出的隐写方法与其他五种隐写技术进行了比较，并采用五种不同的隐写分析器进行评估。从结果中可以看出，我们的方法在大多数情况下都表现得更为优越，尤其是与现有的高性能对称和非对称隐写方法相比，它在隐写安全性上达到了最先进的水平。这种显著的进步在使用基于CNN的隐写分析器进行评估时更为明显。以SRNet为例，我们的方法相对于传统的HILL技术提高了17.10%。而与当前最先进的技术，如SPAR-RL和ReLOAD相比，提出的方法分别取得了11.81%和10.65%的显著提升。
表2 所提方法#2在隐写分析器测试的错误率(%)
论文信息
工作#1 已被期刊 IEEE Transactions on Information Forensics and Security 录用，作者为中山大学黄冬霞、骆伟祺*、郑州大学刘明林、广州大学唐伟轩，以及深圳大学黄继武。
Dongxia Huang, Weiqi Luo, Minglin Liu, Weixuan Tang and Jiwu Huang. Steganography Embedding Cost Learning with Generative Multi-Adversarial Network. IEEE Transactions on Information Forensics and Security, accepted
代码链接：https://github.com/HuangDX56/Steganographic-method-based-on-GMAN
工作#2 已被会议ACM Multimedia 2023 录用，作者为中山大学黄冬霞、骆伟祺*、郑培嘉以及深圳大学黄继武。
Dongxia Huang, Weiqi Luo, Peijia Zheng, and Jiwu Huang. Automatic Asymmetric Embedding Cost Learning via Generative Adversarial Networks. Proceedings of ACM International Conference on Multimedia (ACM MM), Ottawa, Canada, Oct. 29-Nov. 3, 2023. DOI: 10.1145/3581783.3612399.
代码链接：https://github.com/HuangDX56/Automatic-Asymmetric-Embedding-Cost-Learning-via-Generative-Adversarial-Networks
供稿：1）黄冬霞，中山大学计算机学院硕士研究生。2）骆伟祺，中山大学计算机学院，教授。
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。
