结合残差去噪网络和多尺度深度卷积的JPEG隐写分析

摘要

当前隐写术通过在图像上引入微弱噪声信号，极大地降低了隐写信号的感知性，导致隐写信号难以提取，且现有JPEG域隐写分析方法在构建检测模型上无法精确捕捉局部和全局特性的差异。因此，提出结合残差去噪网络和多尺度深度卷积的JPEG隐写分析模型，命名为DMNet。为增强隐写信号并减小图像内容的干扰，基于DnCNN(denoising convolutional neural network)去噪网络深度挖掘噪声信息，改进设计降噪模块，使能够利用不同层次的特征，捕获更加全面的隐写信号。设计多感受野模块，引入多尺度深度卷积扩展感受野，捕获更丰富的局部和全局信息，提高隐写特征的可识别性。此外，为了去除冗余特征，还设计降维模块，并引入平均池化层进行特征降维。结合通道注意力机制，使模型自适应地分配多尺度特征的权重，从而更精准地提取和识别隐写特征。实验结果表明：对于隐写方法J-UNIWARD和UERD,DMNet的检测精度明显优于SRNet、J-XuNet和WangNet,最高提升了36.14%,并且在训练集和测试集失配时也表现出较好的泛化能力。

关键词

JPEG隐写分析 / DnCNN去噪网络 / 多尺度特征提取 / 通道注意力

基金资助

国家自然科学基金项目(62263028); 西藏自治区自然科学基金项目(XZ202301ZR0042G); 西藏民族大学校内科研项目(24MDY06);西藏民族大学研究生科研创新与实践项目(Y2024055,Y2024056)