通过可逆神经网络实现大容量和灵活的视频隐写术

​

Large-capacity and Flexible Video Steganography via Invertible Neural
Network

解决问题：论文旨在解决视频隐写术中低容量和固定隐写的限制，并提出一种高容量和灵活的视频隐写网络。

关键思路：论文提出了一种可逆的流水线方案，通过单个可逆神经网络（INN）执行多个视频隐藏和恢复。该方法可以将7个秘密视频隐藏在/从一个封面视频中，并具有良好的性能。此外，论文还提出了一种可控密钥方案，使不同的接收者能够通过特定密钥从同一封面视频中恢复特定的秘密视频。此外，论文还提出了一种可扩展策略，可以使用单个模型和单个训练会话在封面视频中隐藏可变数量的秘密视频。

其他亮点：论文提出的LF-VSN具有高安全性、大隐藏容量和灵活性。作者提供了开源代码，并进行了广泛的实验。该研究值得进一步深入研究，特别是在视频隐写术方面。

关于作者：主要作者包括Chong Mou、Youmin Xu、Jiechong Song、Chen Zhao、Bernard Ghanem和Jian Zhang。他们来自多个机构，包括香港科技大学、清华大学、西安交通大学和沙特阿拉伯国王阿卜杜拉大学。他们之前的代表作包括“DeepMVS: Learning Multi-view Stereopsis”，“Deep Convolutional Neural Network for Image Deconvolution”和“Online Multi-Object Tracking with Dual Matching Attention Networks”。

相关研究：近期的相关研究包括“Video Steganography with Generative Adversarial Networks”（作者：Xiaolong Liu、Wei Wang、Yanming Shen、Zhenyu Wu、Yan Wang，机构：南京大学）和“High Capacity and Robust Video Steganography Based on Deep Learning”（作者：Yong Xiang、Weiming Zhang、Xiaoyu Liu，机构：中山大学）。

论文摘要：本文提出了一种大容量和灵活的视频隐写网络（LF-VSN），用于在覆盖视频中隐蔽地隐藏秘密数据，并通过接收端的解码协议恢复秘密数据。我们采用可逆神经网络（INN）提出了一个可逆的流水线，通过单个INN执行多个视频的隐藏和恢复，从而实现大容量隐写。我们的方法可以在一个覆盖视频中隐藏/恢复7个秘密视频，并具有良好的性能。为了实现灵活性，我们提出了一个可控密钥方案，使不同的接收者能够通过特定的密钥从同一覆盖视频中恢复特定的秘密视频。此外，我们还提出了一种可扩展的策略，用于多个视频的隐藏，可以通过单个模型和单个训练会话在一个覆盖视频中隐藏可变数量的秘密视频，从而进一步提高了灵活性。广泛的实验表明，我们提出的LF-VSN具有高安全性、大容量和灵活性，并且视频隐写性能得到了显着提高。源代码可在https://github.com/MC-E/LF-VSN上获得。

​Read More