Tiefenlern-basierte Bildsteganographie-Algorithmen verwenden typischerweise Merkmale aus dem Raum- oder Frequenzbereich für das Training. Es ist jedoch schwierig, mit Merkmalen eines einzelnen Bereichs den gesamten Bildinhalt vollständig auszudrücken, und Steganographie ist oft eine Multitasking-Aufgabe, was häufig zu einer schlechten Steganographie-Leistung führt. Daher schlägt dieser Artikel einen robusten Bildsteganographie-Algorithmus auf Basis einer Merkmalsbewertungskarte vor, genannt „Sicheres und robustes Bildsteganographie-Netzwerk (SRIS-Net)“. Zuerst nutzt der vorgeschlagene Algorithmus nicht ausschließlich räumliche Steganographie, sondern verwendet Convolutional Neural Networks, um flache räumliche Merkmale zu extrahieren. Diese Merkmale werden durch eine Laplace-Pyramide Frequenzbereichszerlegung (LPFDD) verarbeitet, wobei geheime Informationen mit einer fortschreitenden Hilfsversteckungsstrategie in unterschiedlichen Frequenzbändern verborgen werden, was die Auswirkungen der geheimen Informationen auf das Trägerbild signifikant reduziert und effektiv eine bemerkenswerte Unsichtbarkeit und Robustheit erzielt. Außerdem wird ein global-lokales Einbettungsmodul (GLEM) vorgeschlagen, das durch Berücksichtigung der Gesamtstruktur und lokaler Details der Bilder Einbettungen realisiert, sowie ein doppelt-multiskaliges Aggregations-Subnetz (DMSubNet) für multiskalige Rekonstruktion zur Verbesserung der Qualität des Trägerbildes. Zur Gewährleistung der Sicherheit wird eine duale Multi-Task-Discriminator-Struktur vorgeschlagen, die das Bild gleichzeitig als echt oder falsch beurteilt und eine Merkmalsbewertungskarte der interessierenden Bereiche (ROI) des Trägerbildes erzeugt, um das Einbettungsmodul bei der Erzeugung eines stärker verdeckten und nicht detektierbaren Steganografiebildes zu leiten. Experimente auf BOSSBase zeigen, dass das vorgeschlagene SRIS-Net andere führende Methoden in Bezug auf Nichtdetektierbarkeit und Robustheit übertrifft, mit einer Verbesserung der visuellen Qualität um jeweils mehr als 9,2 dB bzw. 3,4 dB, und die Kapazität kann auf etwa 72–96 bpp erhöht werden.

Bildsteganographie;Robustheit;Nichtdetektierbarkeit;Multi-Task-Discriminator