Алгоритмы стеганографии изображений на основе глубокого обучения обычно используют пространственные или частотные признаки для обучения. Однако признаки одного домена сложно полностью передать содержание всего изображения, а стеганография обычно является многозадачной, что часто приводит к низкой производительности. В связи с этим в статье предложён устойчивый алгоритм стеганографии изображений на основе карты оценки признаков, называемый «Безопасная и устойчивый стеганографический сеть для изображений» (SRIS-Net). Во-первых, предложенный алгоритм не использует только пространственную стеганографию, а применяет сверточные нейронные сети для получения поверхностных пространственных признаков. Эти признаки обрабатываются с помощью частотного разложения на основе пирамиды Лапласа (LPFDD) и секретная информация постепенно скрывается в различных частотных поддиапазонах с использованием вспомогательной стратегии, что значительно снижает влияние секретной информации на покрытое изображение и эффективно достигает значительной незаметности и устойчивости. Кроме того, предлагается глобально-локальный модуль внедрения (GLEM), который выполняет внедрение с учётом общей структуры изображения и локальных деталей, а также двухмасштабная интеграционная подсеть (DMSubNet) для многомасштабной реконструкции с целью улучшения качества носителя изображения. Для обеспечения безопасности предложена структура двухзадачного дискриминатора, которая одновременно проверяет подлинность изображения и генерирует карту оценок признаков интересующих областей (ROI) носителя, чтобы направлять модуль внедрения к созданию более скрытного и недетектируемого стеганографического изображения. Результаты экспериментов на BOSSBase показывают, что предложенный SRIS-Net превосходит другие основные методы по незаметности и устойчивости, улучшая качество визуального восприятия более чем на 9,2 дБ и 3,4 дБ соответственно, а ёмкость может быть увеличена примерно до 72–96 бпп.

стеганография изображений;устойчивость;незаметность;двузадачный дискриминатор