StegaINR4MIH: steganography by implicit neural representation for multi-image hiding

📄 arXiv: 2410.10117v1 📥 PDF

作者: Weina Dong, Jia Liu, Lifeng Chen, Wenquan Sun, Xiaozhong Pan, Yan Ke

分类: cs.CV, cs.CR

发布日期: 2024-10-14

备注: 46pages,14figures

💡 一句话要点

StegaINR4MIH：利用隐式神经表示实现多图像隐藏的隐写术

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 隐写术 多图像隐藏 隐式神经表示 信息隐藏 深度学习

📋 核心要点

  1. 多图像隐藏需要在有限的载体图像空间中嵌入大量数据，容易出现轮廓阴影或颜色失真等问题。
  2. StegaINR4MIH利用隐式神经表示的参数冗余性，通过权重选择和替换，将多个秘密图像嵌入到单个隐式函数中。
  3. 实验结果表明，该方法在隐藏2个秘密图像时，PSNR超过42；隐藏5个秘密图像时，PSNR超过39，具有良好的视觉质量和不可检测性。

📝 摘要（中文）

本文提出了一种新颖的隐式神经表示隐写框架StegaINR4MIH，用于实现多图像隐藏。该方法将多个秘密图像嵌入到单个隐式表示函数中，并能高质量地恢复这些图像。与传统的使用多个编码器实现多图像嵌入的方法不同，我们的方法利用隐式表示函数参数的冗余性，并在预训练的封面图像函数上采用基于幅度的权重选择和秘密权重替换，从而有效地隐藏和独立提取多个秘密图像。我们在来自CelebA-HQ、COCO和DIV2K三个不同数据集的图像上进行了实验，图像分辨率为。当隐藏两个秘密图像时，秘密图像和隐写图像的PSNR值均超过42。当隐藏五个秘密图像时，秘密图像和隐写图像的PSNR值均超过39。大量实验表明，该方法在视觉质量和不可检测性方面均表现出优越的性能。

🔬 方法详解

问题定义：多图像隐藏旨在将多个秘密图像嵌入到单个载体图像中，并在需要时高质量地恢复这些秘密图像。现有的方法通常采用多个编码器，但由于载体图像空间的限制，容易导致嵌入容量不足，进而产生轮廓阴影、颜色失真等问题，影响视觉质量和隐蔽性。

核心思路：StegaINR4MIH的核心思路是利用隐式神经表示（INR）的参数冗余性。INR可以将图像表示为一个连续的函数，该函数由神经网络的权重参数定义。通过巧妙地修改这些权重参数，可以将秘密图像的信息嵌入其中，而对载体图像的视觉质量影响最小。

技术框架：StegaINR4MIH框架主要包含以下几个阶段：1) 预训练：使用INR网络对载体图像进行预训练，得到一个能够良好表示载体图像的函数。2) 权重选择：基于幅度选择预训练网络中重要性较低的权重参数，这些参数对载体图像的视觉影响较小，适合用于隐藏信息。3) 权重替换：将秘密图像的信息编码到选定的权重参数中，完成秘密图像的嵌入。4) 秘密图像提取：通过分析修改后的权重参数，可以独立地提取出每个秘密图像。

关键创新：StegaINR4MIH的关键创新在于使用隐式神经表示进行多图像隐藏。与传统的基于像素域或变换域的隐写方法不同，该方法利用神经网络的参数空间进行信息隐藏，具有更高的嵌入容量和更好的隐蔽性。此外，该方法采用基于幅度的权重选择策略，能够有效地选择对载体图像影响较小的权重参数，进一步提高隐写效果。

关键设计：在权重选择方面，采用基于幅度的选择策略，选择绝对值较小的权重参数进行替换。在权重替换方面，将秘密图像的像素值进行归一化，然后将其缩放到合适的范围，并加到选定的权重参数上。损失函数主要考虑载体图像的视觉质量，例如使用PSNR或SSIM等指标来衡量隐写图像与原始载体图像之间的差异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，StegaINR4MIH在视觉质量和不可检测性方面均优于现有方法。在CelebA-HQ、COCO和DIV2K数据集上，当隐藏两个秘密图像时，秘密图像和隐写图像的PSNR值均超过42dB。当隐藏五个秘密图像时，秘密图像和隐写图像的PSNR值均超过39dB。这些结果表明，该方法能够在保证秘密图像质量的同时，有效地隐藏多个秘密图像。

🎯 应用场景

StegaINR4MIH可应用于安全通信、数字水印、版权保护等领域。例如，可以将敏感信息隐藏在公开的图像中进行传输，或者将版权信息嵌入到图像中，防止盗版。该方法还可以用于构建更安全的图像存储系统，提高数据的安全性。

📄 摘要（原文）

Multi-image hiding, which embeds multiple secret images into a cover image and is able to recover these images with high quality, has gradually become a research hotspot in the field of image steganography. However, due to the need to embed a large amount of data in a limited cover image space, issues such as contour shadowing or color distortion often arise, posing significant challenges for multi-image hiding. In this paper, we propose StegaINR4MIH, a novel implicit neural representation steganography framework that enables the hiding of multiple images within a single implicit representation function. In contrast to traditional methods that use multiple encoders to achieve multi-image embedding, our approach leverages the redundancy of implicit representation function parameters and employs magnitude-based weight selection and secret weight substitution on pre-trained cover image functions to effectively hide and independently extract multiple secret images. We conduct experiments on images with a resolution of from three different datasets: CelebA-HQ, COCO, and DIV2K. When hiding two secret images, the PSNR values of both the secret images and the stego images exceed 42. When hiding five secret images, the PSNR values of both the secret images and the stego images exceed 39. Extensive experiments demonstrate the superior performance of the proposed method in terms of visual quality and undetectability.