基于注意力机制和小波变换的图像隐写方法

摘要

为了更好地平衡隐写容量和不可感知性之间的关系，本文提出了一种基于Stegano GAN的优化方案。首先，将Stegano GAN隐写网络和提取网络进行加深，以增强模型的复杂度和学习能力；其次，为了实现更为隐蔽的信息嵌入，在隐写网络部分引入离散小波变换（Discrete Wavelet Transformation, DWT）和逆离散小波变换（Inverse Discrete Wavelet Transform, IDWT）模块，这使得秘密信息能够被有效地嵌入到图像的小波域中；最后，在隐写网络、提取网络中融入了一种改进的通道-空间注意力模块（Improved Channel and Spatial Attention Module, ICAM-SAM），促使模型能够聚焦于图像中的高隐蔽性区域，实现更为精准的信息隐藏。实验结果表明：改进后的模型在提取准确率上提高了0.84百分点，表明其隐写和提取过程更加精确。此外，每像素嵌入率（Reed-Solomon Bits-Per-Pixel, RS-BPP）提高了1.71%，这表明改进后的模型在相同大小的图像中可以隐藏更多的信息。同时，峰值信噪比（Peak Signal to Noise Ratio, PSNR）提高了12.53%、结构相似性（Structural Similarity Index, SSIM）提高了5.14%，这表明嵌入的信息对原始图像的影响更小，改进后的模型具有更高的图像质量。综合结果表明，改进后的模型具有更好的不可感知性和较大的隐写容量。

关键词

图像隐写 / 生成对抗网络 / 离散小波变换 / 逆离散小波变换 / 改进的通道-空间注意力模块