现有的大多数单图像超分辨率方法仅用于提高单个通道的分辨率。在处理彩色图像时,由于忽略了通道间的相关性,重建的高分辨率图像容易产生失真。针对这些问题,提出了一种综合考虑通道间相关性及非局部自相似性的彩色图像超分辨算法。首先...现有的大多数单图像超分辨率方法仅用于提高单个通道的分辨率。在处理彩色图像时,由于忽略了通道间的相关性,重建的高分辨率图像容易产生失真。针对这些问题,提出了一种综合考虑通道间相关性及非局部自相似性的彩色图像超分辨算法。首先,为了充分利用彩色图像的通道间相关性,分别计算通道间残差信号和三通道平均信号的总变分范数;其次,为了进一步提升超分辨率的结果,基于图像内的非局部自相似性更新重建图像;最后,为了求解所建立的优化问题,提出了基于split-Bregman方法的快速迭代算法。将所提算法与一些主流算法进行了比较,在3倍上采样条件下,所提算法在Set5和Set14数据集上平均可获得的峰值信噪比(Peak Signal to Noise Ratio,PSNR)增益分别为0.5 dB及0.36 dB。实验结果证明了联合应用通道间相关性及非局部自相似性能有效提升彩色图像的超分辨重建质量。展开更多
受对抗样本自身可迁移属性的影响,传统对抗样本防御方法的防御效果存在不稳定的情况,为此,提出基于深度学习的对抗样本防御方法。文章借助深度学习算法,构建了对抗样本伊辛模型,设置模型的初始状态为神经网络的输入数据,采用自旋状态表...受对抗样本自身可迁移属性的影响,传统对抗样本防御方法的防御效果存在不稳定的情况,为此,提出基于深度学习的对抗样本防御方法。文章借助深度学习算法,构建了对抗样本伊辛模型,设置模型的初始状态为神经网络的输入数据,采用自旋状态表示每一个神经元值与对抗样本伊辛模型的格点,并利用神经网络中卷积运算的特征,消解势场中预先给定的外部磁化作用,以最大限减少低对抗样本伊辛模型在能量作用下的局部自旋问题。在对抗样本防御阶段,利用对抗样本伊辛模型的通道相关性,生成重要性掩码对通道的激活进行调整,并结合对抗样本伊辛模型通道梯度累积值的实际情况设置了差异化的重要性掩码生成函数。在应用测试过程中,为验证防御效果,在快速梯度下降法(Fast Gradient Sign Method,FGSM)、Deepfool、C&W(Carlini and Wagner)攻击算法、投影梯度下降(Projected Gradient Descent,PFD)、集成对抗检测器(Energy-Aware Data-centric,EAD)共5种对抗策略下设计了对抗样本防御方法,对比不同对抗样本防御方法的性能,发现文章提出的基于深度学习的对抗样本防御方法的曲线下的面积(Area Under the Curve,AUC)值稳定在0.95以上,说明对抗样本防御方法具有较好的防御性能。展开更多
目前彩色图像可逆信息隐藏(reversible data hiding,简称RDH)大多直接将灰度图像算法应用到彩色图像的各个通道上,未能充分利用彩色通道间的相关性.提出一种基于自适应分块的彩色图像RDH算法.首先,为了充分利用通道间的相关性,提出将彩...目前彩色图像可逆信息隐藏(reversible data hiding,简称RDH)大多直接将灰度图像算法应用到彩色图像的各个通道上,未能充分利用彩色通道间的相关性.提出一种基于自适应分块的彩色图像RDH算法.首先,为了充分利用通道间的相关性,提出将彩色图像进行自适应分块;其次,为了更好地利用平滑区域,提出基于通道特性的嵌入容量分配原则以保证在平滑区域嵌入更多的信息;最后,为了提高彩色图像视觉质量,提出一种符合人眼视觉特性的B-R-G嵌入原则,优先选择对人眼视觉影响较小的通道进行嵌入.实验结果表明,在不同的嵌入容量下,该文方法载密图像的峰值信噪比(peak signal-to-noise ratio,简称PSNR)明显优于所比较的彩色图像RDH方法.展开更多
自适应隐写是图像隐写方向的研究热点,它通过有效地设计隐写失真函数,自适应地将秘密信息隐藏在图像复杂的纹理区域,具有很强的隐蔽性.近年来,基于生成对抗网络的隐写失真函数设计研究在空域灰度图像上已经取得了突破性的进展,但是目前...自适应隐写是图像隐写方向的研究热点,它通过有效地设计隐写失真函数,自适应地将秘密信息隐藏在图像复杂的纹理区域,具有很强的隐蔽性.近年来,基于生成对抗网络的隐写失真函数设计研究在空域灰度图像上已经取得了突破性的进展,但是目前还没有针对空域彩色图像的研究.与灰度图像相比,彩色图像隐写需要考虑保护RGB通道间相关性,同时合理地分配RGB这3个通道的嵌密容量.设计了一个基于生成对抗网络设计空域彩色图像隐写失真函数的框架CIS-GAN(color image steganography based on generative adversarial network),生成器网络采用两个U-Net子网络结构,第1个U-Net子网络生成修改概率矩阵,第2个U-Net子网络进行正负向修改概率调节,有效地降低对彩色图像通道相关性的破坏.针对彩色图像载体,修改灰度图像隐写分析器作为网络的对抗部分.在生成器损失函数中对彩色图像3个通道总的隐写容量进行控制,生成器能够自动学习分配3个通道嵌密容量.实验结果表明,与现有彩色图像隐写失真函数设计方法相比,提出的网络结构能够更好地抵抗彩色图像隐写分析器的检测.展开更多
文摘现有的大多数单图像超分辨率方法仅用于提高单个通道的分辨率。在处理彩色图像时,由于忽略了通道间的相关性,重建的高分辨率图像容易产生失真。针对这些问题,提出了一种综合考虑通道间相关性及非局部自相似性的彩色图像超分辨算法。首先,为了充分利用彩色图像的通道间相关性,分别计算通道间残差信号和三通道平均信号的总变分范数;其次,为了进一步提升超分辨率的结果,基于图像内的非局部自相似性更新重建图像;最后,为了求解所建立的优化问题,提出了基于split-Bregman方法的快速迭代算法。将所提算法与一些主流算法进行了比较,在3倍上采样条件下,所提算法在Set5和Set14数据集上平均可获得的峰值信噪比(Peak Signal to Noise Ratio,PSNR)增益分别为0.5 dB及0.36 dB。实验结果证明了联合应用通道间相关性及非局部自相似性能有效提升彩色图像的超分辨重建质量。
文摘受对抗样本自身可迁移属性的影响,传统对抗样本防御方法的防御效果存在不稳定的情况,为此,提出基于深度学习的对抗样本防御方法。文章借助深度学习算法,构建了对抗样本伊辛模型,设置模型的初始状态为神经网络的输入数据,采用自旋状态表示每一个神经元值与对抗样本伊辛模型的格点,并利用神经网络中卷积运算的特征,消解势场中预先给定的外部磁化作用,以最大限减少低对抗样本伊辛模型在能量作用下的局部自旋问题。在对抗样本防御阶段,利用对抗样本伊辛模型的通道相关性,生成重要性掩码对通道的激活进行调整,并结合对抗样本伊辛模型通道梯度累积值的实际情况设置了差异化的重要性掩码生成函数。在应用测试过程中,为验证防御效果,在快速梯度下降法(Fast Gradient Sign Method,FGSM)、Deepfool、C&W(Carlini and Wagner)攻击算法、投影梯度下降(Projected Gradient Descent,PFD)、集成对抗检测器(Energy-Aware Data-centric,EAD)共5种对抗策略下设计了对抗样本防御方法,对比不同对抗样本防御方法的性能,发现文章提出的基于深度学习的对抗样本防御方法的曲线下的面积(Area Under the Curve,AUC)值稳定在0.95以上,说明对抗样本防御方法具有较好的防御性能。
文摘目前彩色图像可逆信息隐藏(reversible data hiding,简称RDH)大多直接将灰度图像算法应用到彩色图像的各个通道上,未能充分利用彩色通道间的相关性.提出一种基于自适应分块的彩色图像RDH算法.首先,为了充分利用通道间的相关性,提出将彩色图像进行自适应分块;其次,为了更好地利用平滑区域,提出基于通道特性的嵌入容量分配原则以保证在平滑区域嵌入更多的信息;最后,为了提高彩色图像视觉质量,提出一种符合人眼视觉特性的B-R-G嵌入原则,优先选择对人眼视觉影响较小的通道进行嵌入.实验结果表明,在不同的嵌入容量下,该文方法载密图像的峰值信噪比(peak signal-to-noise ratio,简称PSNR)明显优于所比较的彩色图像RDH方法.
文摘自适应隐写是图像隐写方向的研究热点,它通过有效地设计隐写失真函数,自适应地将秘密信息隐藏在图像复杂的纹理区域,具有很强的隐蔽性.近年来,基于生成对抗网络的隐写失真函数设计研究在空域灰度图像上已经取得了突破性的进展,但是目前还没有针对空域彩色图像的研究.与灰度图像相比,彩色图像隐写需要考虑保护RGB通道间相关性,同时合理地分配RGB这3个通道的嵌密容量.设计了一个基于生成对抗网络设计空域彩色图像隐写失真函数的框架CIS-GAN(color image steganography based on generative adversarial network),生成器网络采用两个U-Net子网络结构,第1个U-Net子网络生成修改概率矩阵,第2个U-Net子网络进行正负向修改概率调节,有效地降低对彩色图像通道相关性的破坏.针对彩色图像载体,修改灰度图像隐写分析器作为网络的对抗部分.在生成器损失函数中对彩色图像3个通道总的隐写容量进行控制,生成器能够自动学习分配3个通道嵌密容量.实验结果表明,与现有彩色图像隐写失真函数设计方法相比,提出的网络结构能够更好地抵抗彩色图像隐写分析器的检测.